人工智能最流行的机器学习算法

机器学习是该行业的一个创新和重要领域。根据我们想要实现的目标，我们选择了机器学习程序的算法类型。现在，机器学习有很多算法。因此，对于初学者来说，这么多算法可能是相当不堪重负的。今天，我们将简要介绍10种最受欢迎的机器学习算法，让您适应这个令人兴奋的机器学习世界！

让我们言归正传！

1.线性回归

线性回归（LinearRegression）也许这是最受欢迎的BAV99RWT1机器学习算法。线性回归是找到一条直线，尽可能拟合散点图中的数据点。它试图通过拟合直线方程和数据来表示自变量（x值）和数值结果（y值）。然后你可以用这条线来预测未来的价值！

最常用的算法是最小二乘法（Leastofsquares）。这种方法计算出最佳拟合线，以最大限度地减少直线上每个数据点的垂直距离。总距离是所有数据点的垂直距离（绿线）的平方和。其思想是通过将平方误差或距离降到最低来拟合模型。

2.逻辑回归

逻辑回归（Logisticregression）它类似于线性回归，但用于输出二进制(即当结果只有两个可能值时)。对最终输出的预测是一个叫做logisticfunction的非线性S型函数。

这个逻辑函数将中间结果值映射到结果变量Y，其值范围从0到1。然后，这些值可以解释为Y的概率。S逻辑函数的性质使逻辑回归更适合分类任务。

3.决策树

决策树（DecisionTrees）可用于回归和分类任务。

在这个算法中，训练模型通过学习树表示（Treerepresentation）学习决策规则来预测目标变量值。树木由具有相应属性的节点组成。

在每个节点上，我们根据可用的特点询问相关数据。左右分支代表可能的答案。最终节点（即叶节点）对应于预测值。

每个特征的重要性都是由自上而下决定的。节点越高，其属性就越重要。

4.简单的贝叶斯

朴素贝叶斯（NaiveBayes）它是基于贝叶斯定理的。它测量每个类别的概率，并给出每个类别的条件概率X的值。该算法用于分类问题，并得到二进制“是非”的结果。请查看以下方程。

简易贝叶斯分类器是一种流行的统计技术，可用于过滤垃圾邮件！

5.支持向量机（SVM）

支持向量机（SupportVectorMachine，SVM）它是一种用于分类问题的监督算法。支持向量机试图在数据点之间绘制两条线，边距最大。因此，我们将数据项绘制到n维空间中的点，其中n是输入特征的数量。在此基础上，支持向量机找到最佳边界，称为超平面（Hyperplane），最好将可能的输出与类标签分开。

超平面与最近类点之间的距离称为边距。最佳超平面有最大的边界，可以对点进行分类，以最大限度地发挥最新数据点与这两类之间的距离。

6.K-最近邻算法（KNN）

K-最近邻算法（K-NearestNeighbors，KNN）很简单。在整个训练中，KNN搜索了K最相似的例子，即K邻居，并为所有这些K例子分配了一个公共输出变量来分类对象。

k的选择非常重要：较小的值可能会产生大量的噪音和不准确的结果，而较大的值是不可行的。它最常用于分类，但也适用于回归问题。

欧几里之间的距离可以用来评估实例之间的相似性（Euclideandistance）、曼哈顿距离（Manhattandistance）或明氏距离（Minkowskidistance）。欧几里得的距离是两点之间的普通直线距离。事实上，这是一个平方根，点坐标之间的差异。

7.K-均值

K-均值（K-means）它是通过对数据集进行分类来聚类的。例如，该算法可以用来根据购买历史对用户进行分组。这是在数据集中发现的K类。K-平均值用于无监督学习，所以我们只需要使用训练数据X和我们想要识别的聚类数K。

根据每个数据点的特点，该算法迭代地将每个数据点分配给K组中的一个组。它为每个K聚类（称为纹理）选择K点。在相似性的基础上，在最近的纹理聚类中添加新的数据点。这个过程一直持续到纹理停止变化。

8.随机森林

随机森林（RandomForest）它是一种非常流行的集成机器学习算法。该算法的基本思路是，许多人的意见比个人意见更准确。在随机森林中，我们使用决策树集成（见决策树）。

为了对新对象进行分类，我们对每棵决策树进行投票，并结合结果，然后根据大部分投票做出最终决定。

9.降维

因为我们今天可以捕捉到很多数据，机器学习的问题变得更加复杂。这意味着训练非常缓慢，很难找到好的解决办法。这个问题通常被称为“维数灾难”（Curseofdimensionality）。

降维（Dimensionalityreduction）试图将特定的特征组合成更高层次的特征来解决这个问题，而不会丢失最重要的信息。主要成分分析（PrincipalComponentAnalysis，PCA）最受欢迎的是降维技术。

通过将数据集压缩到低维线或超平面/子空间，主要成分分析可以减少数据集的维数。这样，原始数据的显著特征就可以尽可能保留。

降维的例子可以通过将所有数据点接近一条直线来实现。

10.人工神经网络（ANN）

人工神经网络（ArtificialNeuralNetworks，ANN）它可以处理大型和复杂的机器学习任务。神经网络本质上是一组由权重边缘和节点组成的相互连接的层，称为神经元。我们可以在输入层和输出层之间插入多个隐藏层。人工神经网络使用两个隐藏层。此外，还需要处理深度学习。

人工神经网络的工作原理类似于大脑的结构。一组神经元被赋予随机权重，以确定如何处理输入数据。通过输入数据来训练神经网络，我们可以学习输入和输出之间的关系。在训练阶段，系统可以访问正确的答案。

如果网络不能准确识别输入，系统将调整权重。经过充分的训练，它将始终识别正确的模式。每个圆节点代表一个人工神经元，箭头代表从一个人工神经元输出到另一个人工神经元输入的连接。

机器学习算法人工智能输入节点算法训练

免责声明：本网信息来自于互联网，目的在于传递更多信息，并不代表本网赞同其观点。其原创性以及文中陈述文字和内容未经本站证实，对本文以及其中全部或者部分内容、文字的真实性、完整性、及时性本站不作任何保证或承诺，并请自行核实相关内容。本站不承担此类作品侵权行为的直接责任及连带责任。如若本网有任何内容侵犯您的权益，请及时联系我们，本站将会在24小时内处理完毕。