机器学习算法比较 - 《Python Basics 中文系列教程》

原文： https://pythonbasics.org/machine-learning-algorithms-comparison/

人工智能（特别是机器学习）的创建是为了简化开发人员和程序员的工作。

不必编写很多代码，您必须在机器学习算法之间进行选择，然后再决定一种编程语言。那可能很棘手。

为什么？首先，有四种类型的机器学习算法。

机器学习算法

监督学习基于标记的训练数据。

监督学习的基础是称为训练数据的数据和一组训练示例。

带标签的训练集具有预测其他对象上未知标签的特征。

它有两种类型：

机器学习算法比较 - 图1

无监督学习是无标签数据。

无监督学习的基础是关于对象的信息较少。这些测试数据没有标签，分类或分类。

无监督学习可以在群集中创建具有相似性的对象组，并将所有群集中的不同对象（假定这些对象为异常）分离。

半监督学习被标记和未被标记。

收集有监督和无监督的利弊，半监督学习尤其适合那些无法标记其数据的人。

训练集具有标记和未标记两种，以提高准确性。

强化学习正在采取行动。

它与之前的有所不同，因为没有用于强化学习的数据集。

强化学习是软件代理应采取的措施以最大化回报。这是训练以最有效的方式行事。

因此，知道了这一点，就可以快速恢复六种机器学习算法。

比这些更好的算法可能会过拟合，而回归和分类器将确保大量特征。

Logistic 回归：执行二进制分类，因此标签输出为二进制。它采用特征的线性组合，并对其应用非线性函数。这是非线性分类器最简单的算法。
决策树：树枝和树叶可以挽救生命。该算法是从观察到结论的预测模型。真实的人可以使用决策树来做出决策，这使得它很容易理解。最容易解释的通常用于组成随机森林或渐变增强。
K-均值：如果您的目标是根据对象的特征分配标签，但是您没有任何标签，则称为聚类任务，该算法可以实现这一任务。但是，有多种聚类方法具有不同的优缺点，应该首先考虑一下。
主成分分析（PCA）：当您具有广泛的特征，彼此之间高度相关并且模型很容易适合大量数据时，可以应用它。该算法在减少信息损失最小的情况下很好地减少了维数。
神经网络：每个特定任务都有许多不同的体系结构或一系列层/组件。在处理图像时，神经网络是理想的选择。他们的训练需要巨大的计算复杂性，但却提出了算法的新时代。