到这个，你头大不大？那是不是所有都要去学，都要去了解呢？当然不是，不过，下面的这10个算法，如果你是新手的话，一定要去好好学学，搞懂了这些，其他的就是举一反三的事情了。

在机器学习中，有一个叫做“没有免费午餐”的定理。简而言之，它指出，没有一种算法对每一个问题都是最有效的，它尤其适用于监督学习(即预测建模)。

例如，你不能说神经网络总是比决策树好，反之亦然。有很多因素在起作用，比如数据集的大小和结构。

因此，你应该针对你的问题尝试许多不同的算法，同时使用一组保留的“测试集”数据来评估性能并选择获胜者。

当然，你尝试的算法必须适合你的问题，这就是选择正确的机器学习任务的原因。打个比方，如果你需要打扫房子，你可以用吸尘器、扫帚或拖把，但你不会拿出铁锹开始挖。

大的原则

然而，所有用于预测建模的监督机器学习算法都有一个共同的原则。

机器学习算法被描述为学习一个目标函数(f)，该目标函数将输入变量(X)映射到输出变量(Y): Y = f(X)

这是一个一般的学习任务，我们想在给定输入变量(X)的新样本下对未来的(Y)进行预测，我们不知道函数(f)是什么样子或它的形式，因为如果我们知道的话，我们就直接使用它就完了，我们就不需要使用机器学习算法从数据中学习它了。

最常见的机器学习类型是学习映射Y = f(X)，对新的X做出Y的预测，这被称为预测建模或预测分析，我们的目标是尽可能做出最准确的预测。

对于那些渴望了解机器学习基础知识的机器学习新手来说，以下是数据科学家使用的十大机器学习算法的快速介绍。

1 — 线性回归

线性回归可能是统计学和机器学习中最著名和最容易理解的算法之一。

预测建模主要关注的是最小化模型的误差，或者尽可能做出最准确的预测，可以牺牲掉一些可解释性。我们将从许多不同的领域借用、重用和窃取算法，包括统计学，并将它们用于这些目的。

线性回归的表示是一个方程，它描述了一条最适合输入变量(x)和输出变量(y)之间的关系的直线，通过找出称为系数(B)的输入变量的特定权重。

（编辑：青岛站长网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!