最常見的機(jī)器學(xué)習(xí)算法是學(xué)習(xí)映射Y = f(X)來預(yù)測(cè)新X的Y，這叫做預(yù)測(cè)建?；蝾A(yù)測(cè)分析，我們的目標(biāo)是盡可能作出最準(zhǔn)確的預(yù)測(cè)。 我們不知道函數(shù)f的樣子或形式,如果知道的話，我們將會(huì)直接使用它，不需要用機(jī)器學(xué)習(xí)算法從數(shù)據(jù)中學(xué)習(xí)。

下面將概述常用的機(jī)器學(xué)習(xí)算法：

1、線性回歸

線性回歸的表示是一個(gè)方程，它通過找到輸入變量的特定權(quán)重（稱為系數(shù)B），來描述一條最適合表示輸入變量x與輸出變量y關(guān)系的直線?？赡苁墙y(tǒng)計(jì)學(xué)和機(jī)器學(xué)習(xí)中最知名和最易理解的算法之一，預(yù)測(cè)建模主要關(guān)注最小化模型誤差或者盡可能作出最準(zhǔn)確的預(yù)測(cè)，以可解釋性為代價(jià)。

2、Logistic回歸

Logistic回歸與線性回歸相似，目標(biāo)都是找到每個(gè)輸入變量的權(quán)重，即系數(shù)值。與線性回歸不同的是，Logistic回歸對(duì)輸出的預(yù)測(cè)使用被稱為 logistic 函數(shù)的非線性函數(shù)進(jìn)行變換。 它是一個(gè)快速的學(xué)習(xí)模型，并且對(duì)于二分類問題非常有效。

3、線性判別分析（LDA）

線性判別分析進(jìn)行預(yù)測(cè)的方法是計(jì)算每個(gè)類別的判別值，并對(duì)具備最大值的類別進(jìn)行預(yù)測(cè)。該技術(shù)假設(shè)數(shù)據(jù)呈高斯分布，因此最好預(yù)先從數(shù)據(jù)中刪除異常值。這是處理分類預(yù)測(cè)建模問題的一種簡(jiǎn)單而強(qiáng)大的方法。

4、分類與回歸樹

決策樹的葉節(jié)點(diǎn)包含一個(gè)用于預(yù)測(cè)的輸出變量y，通過遍歷該樹的分割點(diǎn)，直到到達(dá)一個(gè)葉節(jié)點(diǎn)并輸出該節(jié)點(diǎn)的類別值就可以作出預(yù)測(cè)。決策樹模型的表示是一個(gè)二叉樹，學(xué)習(xí)速度和預(yù)測(cè)速度都很快，可以解決大量問題，并且不需要對(duì)數(shù)據(jù)做特別準(zhǔn)備。

5、樸素貝葉斯

樸素貝葉斯是一個(gè)簡(jiǎn)單但是很強(qiáng)大的預(yù)測(cè)建模算法，該模型由兩種概率組成，這兩種概率都可以直接從訓(xùn)練數(shù)據(jù)中計(jì)算出來：1）每個(gè)類別的概率；2）給定每個(gè)x的值，每個(gè)類別的條件概率。如果數(shù)據(jù)是實(shí)值時(shí)，通常假設(shè)一個(gè)高斯分布，這樣可以簡(jiǎn)單的估計(jì)這些概率。

6、K近鄰算法

KNN 算法在整個(gè)訓(xùn)練集中搜索K個(gè)最相似實(shí)例（近鄰）并匯總這 K 個(gè)實(shí)例的輸出變量，以預(yù)測(cè)新數(shù)據(jù)點(diǎn)。KNN需要大量?jī)?nèi)存或空間來存儲(chǔ)所有數(shù)據(jù)，但是只有在需要預(yù)測(cè)時(shí)才執(zhí)行計(jì)算（或?qū)W習(xí)）?？梢噪S時(shí)更新和管理訓(xùn)練實(shí)例，以保持預(yù)測(cè)的準(zhǔn)確性。

7、學(xué)習(xí)向量量化

學(xué)習(xí)向量量化（簡(jiǎn)稱 LVQ）是一種人工神經(jīng)網(wǎng)絡(luò)算法，它允許你選擇訓(xùn)練實(shí)例的數(shù)量，并精確地學(xué)習(xí)這些實(shí)例應(yīng)該是什么樣的。在學(xué)習(xí)之后，最相似的近鄰?fù)ㄟ^計(jì)算每個(gè)碼本向量和新數(shù)據(jù)實(shí)例之間的距離找到。然后返回最佳匹配單元的類別值作為預(yù)測(cè)。

8、支持向量機(jī)（SVM）

超平面是分割輸入變量空間的一條線，超平面和最近的數(shù)據(jù)點(diǎn)之間的距離被稱為間隔，分開兩個(gè)類別的最好的或最理想的超平面具備最大間隔。實(shí)際上，優(yōu)化算法用于尋找最大化間隔的系數(shù)的值。

9、Bagging

Bagging 是從數(shù)據(jù)樣本中估算數(shù)量的一種強(qiáng)大的統(tǒng)計(jì)方法。在訓(xùn)練數(shù)據(jù)中抽取多個(gè)樣本，然后對(duì)每個(gè)數(shù)據(jù)樣本建模。當(dāng)你需要對(duì)新數(shù)據(jù)進(jìn)行預(yù)測(cè)時(shí)，每個(gè)模型都進(jìn)行預(yù)測(cè)，并將所有的預(yù)測(cè)值平均以便更好的估計(jì)真實(shí)的輸出值。

10、隨機(jī)森林

隨機(jī)森林是對(duì)Bagging方法的一種調(diào)整，在隨機(jī)森林的方法中決策樹被創(chuàng)建以便于通過引入隨機(jī)性來進(jìn)行次優(yōu)分割，而不是選擇最佳分割點(diǎn)。針對(duì)每個(gè)數(shù)據(jù)樣本創(chuàng)建的模型將會(huì)與其他方式得到的有所不同，可以更好的估計(jì)真實(shí)的輸出值。