1）分類：線性分類器（如lr)、支援向量機（svm）、樸素貝葉斯（nb）、k近鄰（knn）、決策樹（dt）、整合模型（rf/gdbt等）
2）回歸：線性回歸、支援向量機（svm）、k近鄰（knn）、回歸樹（dt）、整合模型（extratrees/rf/gdbt）
資料聚類（k-means）/ 資料降維（pca）等等.
1-各個模型分別基於哪些數學假設、適合處理什麼樣的資料、優缺點、評測指標及其計算方法
數學假設
模型優缺點
評測指標及其計算方法
lr使用sigmoid函式對映到0-1
與隨機梯度上公升演算法相比，**精度準確，
但是耗費時間長
準確性（accuracy）
召回率（recall）
精確率（precision）以及f1
nb各個維度上的特徵被分類的條件概
率之間是相互獨立的、貝葉斯公式
廣泛用於文字分類
優點：速度快，引數估計的個數銳減
缺點：在特徵關聯性較強的任務效能差
同上整合模型
訓練多個模型
rf---bagging
gdbt----boosting
優點：效能高、穩定性強、廣泛應用於工業界
缺點：訓練時間長，調參是體力活
xgb、lightgbm是比較快的
同上回歸相關的模型
svm有三種核函式（linear/poly/rbf）
r^2/mae/mse/rmse
常見機器學習演算法總結
機器學習演算法主要分為以下2種 有監督與無監督。再細分可分為四種 分類，聚類，回歸，關聯四大類演算法。分類與回歸屬於有監督學習。聚類與關聯屬於無監督學習。分類演算法主要有knn，決策樹，樸素貝葉斯，svm,邏輯回歸，adaboost演算法。knn演算法 基於距離進行分類，選取前k個最相似的樣本，看這...
常見機器學習模型之間的關係
1.中文解釋 線性回歸。2.模型思想 對於能夠以f xi wxi b表達的線性模型，線性回歸就是試圖學得恰當得向量w和標量b，使得f xi yi，其中yi是真實輸出。那只需要設計乙個衡量f xi 與yi的差異函式e xi，yi，w，b 機器學習中稱為代價函式或損失函式，然後使該對函式求得最小值，對應...
常見機器學習演算法優缺點
1 線性模型 形式簡單 易於建模 很好的可解釋性 2 邏輯回歸 無需事先假設資料分布 可得到近似概率 對率函式任意階可導的凸函式，許多數值優化演算法都可直接用於求取最優解 3 線性判別分析 lda 當兩類資料同先驗 滿足高斯分布且協方差相等時，lda可達到最優分類 4 boosting 代表adab...