用户1978050001123

KNN算法 (机器学习实战) K-近邻算法采用测量不同特征值之间的距离方法进行分类。通过实战实现knn算法

聚类是一种无监督学习，它将相似的对象归到同一个簇中。聚类方法几乎可以应用于所有对象，簇内的对象越相似。聚类的效果越好。KMeans聚类又称为k均值聚类。

K均值算法将所有点作为一个簇，然后将簇一分为二。之后选择其中一个簇继续进行划分，选择哪一个簇进行划分取决于对其划分是否可以最大程度降低SSE的值。上述基于SSE的划分过程不断重复，直到得到用户指定的簇

线性回归（Linear Regression） 是一种通过属性的线性组合来进行预测的线性模型，其目的是找到一条直线或者一个平面或者更高维的超平面，使得预测值与真实值之间的误差最小化。

一个弱学习器预测的结果往往不能准确的预测结果，存在很大的误差。这时可以选择使用集成学习来提高正确率。 集成学习通过构建并结合多个学习期来完成学习任务，有时也被称为多分类器系统。

BP神经网络是一种强学习器，使用集成学习中的Bagging投票可增加一点精确度，对于竞赛提升准确度有一些帮助。

逻辑回归 数据集的标签大多是离散的，我们需要根据他们的特征去数据集分类。举一个分类的例子，根据肿瘤的体积，判断肿瘤是否良性。

维数灾难(Curse of Dimensionality)：通常是指在涉及到向量的计算的问题 中，随着维数的增加，计算量呈指数倍增长的一种现象。

决策树是一种从训练数据中学习得出一个树状结构的模型。这种模型属于判别模型。决策树是一种树状结构，通过做出一系列决策来对数据进行划分，这类似针对一系列问题进行选择。