機器學習算法

機器學習算法

類型的機器學習

監督機器學習:

監督機器學習算法學習通過分析數據時,已標記。帶安全標簽的數據分為兩組:訓練數據用於訓練模型和測試數據(用於看看模型執行)。監督機器學習的目的是使用帶安全標簽的數據時教AI進行預測未來事件或行為無標號數據。

非監督機器學習:

非監督機器學習當一個算法可以從標記或者未知的數據點,沒有任何已知的輸出,稱為標記集。沒有已知的目標輸出,無監督學習可以根據某些標準組不同的數據點聚類。無監督方法允許機器學習自然的數據,如圖像或人類語言。

強化學習:

強化學習是機器學習領域,處理的問題一個人工代理可以找出行動采取在特定環境中某種回報最大化。它不同於其他方法,如監督和非監督學習,通過提供反饋在每一步的形式獎勵。代理然後使用反饋來創建一個策略,它可以使用它來選擇其未來的行為。這裏有一些強化學習方法可以幫助我們更多的了解我們的世界。它通常用於人工智能應用程序解決問題。強化學習可以讓一個代理在動態環境中通過試驗和錯誤學習有很多可能的狀態。代理學習通過接收“獎勵”或“懲罰”的每一個行動。強化學習的目標是找出如何最大化總獎勵獲得隨著時間的推移,這通常意味著尋找最佳的行動序列達到期望的目標。

線性回歸:

線性回歸的統計方法用於預測和分析兩個變量之間的關係。它也被稱為線性回歸分析和多元線性回歸的方法。一個簡單的例子:我們想知道需要多長時間一輛汽車旅行速度不同。我們想知道這如何影響旅行的長度。線性回歸會告訴我們的最好的速度是在最短的時間內,我們將使用多少更多的天然氣,或路線將會節省許多時間。線性回歸的一個主要好處是,它允許我們使用來自兩個定量和定性數據源的數據對未來事件作出預測。有了這個信息,我們可以為我們自己和我們的組織做出更好的決策。線性回歸方程的Y = c +βX, Y代表因變量的預測價值(例如,利潤),X代表獨立變量(例如,一個人的收入)和β代表斜率係數。斜率係數表明X Y變化多少錢每增加1個單位;它也被稱為ββ係數或簡單。 Linear regression is useful because it simplifies complex systems into a straight line with an equation that can be easily interpreted and calculated.

邏輯回歸:

邏輯回歸是一個擴展的線性回歸。線性回歸時,因變量是連續的,和邏輯回歸處理分類數據。邏輯回歸分析是一種統計方法,它允許的數據與二進製的結果變量。這個模型時使用因變量有兩個值,一個成功、一個失敗。這兩個結果變量可以被分解成多個解釋變量。這些變量是然後測試看看他們是否重要。邏輯回歸不應被混淆與其他類型的回歸,因為它僅適用於二進製結果變量,這區別解釋結果時不容忽視。邏輯回歸模型預測事件發生的概率通過使用一個或多個預測變量。這些變量可以是連續的(如年齡)或分類(如性別)。通常情況下,這些模型的目標是估計某一結果發生的概率(即。),客戶是否會購買這個產品。 This information can then be used to make informed decisions about marketing campaigns or product design.

樸素貝葉斯算法:

樸素貝葉斯算法是一種概率機器學習模型,一個分類算法,屬於家庭條件概率的算法。樸素貝葉斯假設所有功能是相互獨立的,並使用貝葉斯定理或變型計算。家庭與其他算法的概率分類算法,它可以用少量的訓練數據計算有效。

樸素貝葉斯通常用於文本分類,如垃圾郵件過濾或情緒分析,因為文本有一些功能和往往是來自有限的詞彙。在這些領域,樸素貝葉斯模型傾向於經驗和理論上都表現良好。它使用條件概率,每個可能結果的概率考慮到其他的結果,預測一個未被注意的變量的值。算法可以用在許多不同的方式,但分類是其最常見的應用之一。Naive Bayes分類器容易訓練和執行是互斥(即當類別。,沒有重疊的數據)。通常用於文本分類應用單詞可以有多個含義,也沒有可靠的方法來分配不同的權重不同的含義。

這可以歸因於詞彙有多重含義或同義詞。例如,樸素貝葉斯分類器分類“雞”的“鳥”和“元”類別。他們在電子郵件垃圾郵件過濾特別受歡迎,市場購物籃分析,照片標記。

再鄰居:

資訊是一個監督學習算法,這意味著它使用標簽的例子來學習。這是一個機器學習算法分類數據根據其距離其他部分的數據。資訊分類數據通過尋找最相似的標記在周邊國家的例子。它是用於分類、回歸分析、聚類分析、密度估計,異常檢測,和許多其他的分析任務。這個算法被應用在許多領域,如市場營銷、金融、和藥品。

決策樹:

決策樹是眾所周知的機器學習算法,因為它們常用於規劃軟件係統和數據分析。該算法通常是與聚類算法一起使用。當一組輸入數據第一次入一個決策樹,它隻有一個可能的結果。下一個的輸入算法沒有任何影響樹下一步將做什麼。隨著組輸入繼續成長和多個結果成為可能,樹枝的樹枝並連接。決策樹是有用的在確定最優計劃的執行算法。決策樹並不創建新的變量,但允許一組變量被附加到不同的分支。

隨機森林:

最流行的一種機器學習算法是隨機森林。它的簡單性和利用過去的數據的能力使它這樣一個強大的和流行的算法。機器學習技術,隨機森林可以顯著降低預測誤差在各種各樣的領域。最常用於回歸或分類。對於回歸,我們的目標是預測基於許多輸入特性的一個實值的結果。這是通過創建個人決策樹與引導數據隨機抽樣的樣本。最後的預測是通過平均預測從所有的樹木。每棵樹創建它自己的規則,其輸入數據點劃分為兩個類別(例如,“是”或“否”)。這個分類器可以作出準確的預測,如果遇到了足夠的數據點與新數據點預測共享共性。

隨機森林有一係列的步驟:

步驟1:使用一組訓練數據訓練模型。

步驟2:減少幾個運行模型。

步驟3:使用從步驟2中獲得的信息來預測一組新的數據使用算法。

隨機森林方法強烈推薦當學習模式和從一組訓練數據生成預測。是特別有用的問題,大量的輸入變量和類之間沒有清晰的界限。隨機森林不依賴於訓練數據樣本的數量。他們健壯的缺失值,可以處理變量之間的非線性關係。他們也顯示更好的泛化性能比其他機器學習模型,如支持向量機和線性判別分析。

隨機森林,或者隨機決策樹,是一種整體學習。整體學習當我們使用不止一個算法來解決問題並結合結果。隨機森林是一個例子,裝袋,我們采取多種隨機樣本數據,然後平均所有的樣品一起創建一個新的模型。這意味著每次我們經過這個過程中,我們得到了不同的答案。通過平均我們的錯誤,我們可以得到一個更精確的模型隻是一個樹會給我們。

支持向量機(SVM):

半個多世紀以來,支持向量機算法一直是最廣泛使用的機器學習算法。這是一個數學模型,有很多應用在許多不同的領域。支持向量機是一種監督機器學習模型,該模型可用於分類和回歸的任務。它們可以被廣義線性分類器,在向量空間是一個高維空間的超平麵分離兩個類的實例。支持向量機是一種算法,找到最優分離超平麵,這兩個類之間的利潤最大化。是非常快速和準確,它提供了一些邏輯回歸等優於其他方法。算法會發現兩個不同的類之間的線性邊界用於創建一個分類器。一個支持向量機還可以用於回歸,目的是預測價值,而不是分類實例分類。支持向量機可以被理解為一個二進製的決策邊界試圖最大化之間的距離最近的點在每個類的分離的決策邊界。支持向量機被歸類為非參數分類器,因為他們不做出假設的潛在分布數據。 SVM classification algorithms are trained with labeled examples that have been annotated with their target label or category. After training, an SVM can classify new inputs based on these annotations. When applied for text classification, an SVM will learn to identify both positive and negative words in sentences, phrases, and paragraphs.