十大必須掌握的機器學習演算法，你都知道了嗎？

為了拉近和大家的距離

每篇文章的文末都有一個小話題

歡迎大家參與討論

有任何想說的都可以在評論區交流~

通過本篇文章可以對ML的常用演算法有個常識性的認識，沒有代碼，沒有複雜的理論推導，就是圖解一下，知道這些演算法是什麼，它們是怎麼應用的，例子主要是分類問題。

每個演算法都看了好幾個視頻，挑出講的最清晰明了有趣的，便於科普。

以後有時間再對單個演算法做深入地解析。

今天的演算法如下：

決策樹

隨機森林演算法

邏輯回歸

SVM

樸素貝葉斯

K最近鄰演算法

K均值演算法

Adaboost 演算法

神經網路

馬爾可夫

1. 決策樹

根據一些 feature 進行分類，每個節點提一個問題，通過判斷，將數據分為兩類，再繼續提問。這些問題是根據已有數據學習出來的，再投入新數據的時候，就可以根據這棵樹上的問題，將數據劃分到合適的葉子上。

2. 隨機森林

在源數據中隨機選取數據，組成幾個子集

S 矩陣是源數據，有 1-N 條數據，A B C 是feature，最後一列C是類別

由 S 隨機生成 M 個子矩陣

這 M 個子集得到 M 個決策樹

將新數據投入到這 M 個樹中，得到 M 個分類結果，計數看預測成哪一類的數目最多，就將此類別作為最後的預測結果

3. 邏輯回歸

當預測目標是概率這樣的，值域需要滿足大於等於0，小於等於1的，這個時候單純的線性模型是做不到的，因為在定義域不在某個範圍之內時，值域也超出了規定區間。

所以此時需要這樣的形狀的模型會比較好

那麼怎麼得到這樣的模型呢？

這個模型需要滿足兩個條件 大於等於0，小於等於1

大於等於0 的模型可以選擇 絕對值，平方值，這裡用 指數函數，一定大於0

小於等於1 用除法，分子是自己，分母是自身加上1，那一定是小於1的了

再做一下變形，就得到了 logistic regression 模型

通過源數據計算可以得到相應的係數了

最後得到 logistic 的圖形

4. SVM

support vector machine

要將兩類分開，想要得到一個超平面，最優的超平面是到兩類的 margin 達到最大，margin就是超平面與離它最近一點的距離，如下圖，Z2>Z1，所以綠色的超平面比較好

將這個超平面表示成一個線性方程，在線上方的一類，都大於等於1，另一類小於等於－1

點到面的距離根據圖中的公式計算

所以得到 total margin 的表達式如下，目標是最大化這個 margin，就需要最小化分母，於是變成了一個優化問題

得到 weight vector 為（a，2a），將兩個點代入方程，代入（2，3）另其值＝1，代入（1，1）另其值＝-1，求解出 a 和 截矩 w0 的值，進而得到超平面的表達式。

a 求出來後，代入（a，2a）得到的就是 support vector

a 和 w0 代入超平面的方程就是 support vector machine

5. 樸素貝葉斯

點擊展開全文

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！