机器学习——几种分类算法的汇总

参考博客：http://www.apachecn.org/map/179.html
参考博客写的很全面，也有例子，我这算是转载缩减记录方便自己记忆，有想参考的朋友可以参照原博客学习。
分类算法 分类：将实例数据划到合适的类别中。
标称型
：标称型目标变量的结果只在有限目标集中取值，如真与假(标称型目标变量主要用于分类)
数值型
：数值型目标变量则可以从无限的数值集合中取值，如0.100，42.001等 (数值型目标变量主要用于回归分析)
整个开发流程：收集数据——准备数据——分析数据——训练算法——测试算法——使用算法
开发流程： 收集数据：收集样本数据 准备数据：注意样本格式 分析数据：为了确保数据集中是否存在垃圾数据。（若存在算法可处理的数据格式或可信任的数据源，则可以跳过该步骤；另外该步骤需要人工干预，会降低自动化系统价值） 训练算法：无监督算法无目标变量，可跳过该步骤 测试算法：评估算法效果 使用算法：将机器学习算饭转化为应用程序
1.k-近邻（KNN）
工作原理：
开发流程： 收集数据：任何方法 准备数据：距离计算所需的数值，最好是结构化的数据格式 分析数据：任何方法 训练算法：跳过 测试算法：计算错误率 使用算法：输入样本数据和结构化的输出结果，然后运行k-近邻算法判断输入数据分类属于哪个分类，最后对计算出的分类执行后续处理。
算法特点： 优点：精度高、对异常值不敏感、无数据输入假定 缺点：计算复杂度高、空间复杂度高 适用数据范围：数值型和标称型
2.决策树（Decision Tree） 算法主要用来处理分类问题，是最经常使用的数据挖掘算法之一。
概念： 熵（entropy）：指体系的混乱程度。 信息熵：是一种信息的度量方式，表示信息的混乱程度。 信息增益：在划分数据集前后信息发生的变化。
开发流程： 收集数据：任何方法 准备数据：树构造算法只适用于标称型数据，因此数值型数据必须离散化 分析数据：任何方法，构造树完成后，应检查图形是都符合预期 训练算法：构造树的数据结构 测试算法：使用经验树计算错误率 使用算法：任何监督学习算法（决策树）
算法特点： 优点：计算复杂度不高，输出结果易于理解，对中间值的缺失不敏感，可以处理不相关特征数据。 缺点：可能会产生过度匹配问题。 适用数据类型：数值型和标称型
3.朴素贝叶斯 朴素贝叶斯主要应用于文档的自动分类 收集数据：任何方法 准备数据：需要数值型或布尔型数据 分析数据：有大量特征时，绘制特征作用不大，此时使用脂肪头疼效果更好。 训练算法：计算不同的独立特征的条件概率 测试算法：计算错误率 使用算法：一个常见的朴素贝叶斯应是文档分类（也可不是）。
算法特点： 优点：在数据较少的情况下依然有效，可以处理多类别问题。 缺点：对于输入数据的准备方式较为敏感。 适用数据类型：标称型数据
4.逻辑回归 该算法是根据现有数据对分类边界线建立回归公式，以此进行分类。 概念： 回归：用一条直线拟合数据点的过程，而拟合就是可以很好的将每个数据点用一条直线连接起来，连接数据点较少的过程叫做欠拟合，用曲线将所有数据点完整连接的过程叫做过拟合。 sigmoid函数：调整得到一个0~1之间的数值（大于0.5为1类） 梯度上升法：为了寻找最佳参数
开发流程： 收集数据：任何方法 准备数据：结构化数据格式（距离计算需要数值型数据） 分析数据：任何方法 训练算法：训练数据直到找到最佳的分类回归系数 测试算法：一旦训练步骤完成，分类将会很快 使用算法：首先，对输入数据进行转化，得到其对应结构化数值；其次基于训练好的回归系数对数值进行简单的回归计算，判定其类别。
算法特点： 优点：计算代价不高，易于理解和实现 缺点：容易欠拟合，分类精度可能不高 使用数据类型：数值型和标称型数据
5.支持向量机 该算法是一个二类分类器
概念 支持向量（Support Vector）:分离超平面最近的那些点。 机（Machine）:表示一种算法，而不是表示机器。 超平面：分类的决策边界。n维需要n-1维的超平面分隔。 步骤： 1.寻找最大分类间距 2.通过拉格朗日函数求优化问题
开发流程： 收集数据：任何方法 准备数据：数值型数据 分析数据：有助于可视化分隔超平面 训练算法：训练数据实现两个参数的调优 测试算法：简单计算过程 使用算法：几乎所有的分类问题都可以用SVM。
算法特点： 优点：计算代价不高，易于理解和实现 缺点：容易欠拟合，分类精度可能不高 使用数据类型：数值型和标称型数据 **************************************************************** 集成算法（ensemble method）：对其他算法进行组合的一种形式 1.投票算法（bagging）：基于数据随机重抽样分类器构造的方法。例如随机森林（random forest） 2.再学习（boosting）:基于所有分类器的加权求和方法。 bagging和boosting的区别： 1.bagging是一种与boosting所使用的多个分类器的类型（数据量和特征量）都是一致的。 2.bagging是由不同的分类器（数据和特征随机化）经过训练，综合得出的
出现最多的分类结果；boosting是通过调整已有分类器错分的那些数据来获得新的分类器，
得出目前最优的结果。 3.bagging中的分类器权重是相等的；而boosting中的分类器加权求和，所以权重并不相等，每个权重代表的是其对应分类器的上一轮迭代中的成功过度。 ****************************************************************
6.随机森林 随机森林指的是利用多棵树对样本进行训练并预测的一种分类器。
开发流程： 收集数据：任何方法 准备数据：转换样本集 分析数据：任何方法 训练算法：通过数据随机化和特征随机化，进行多实例的分类评估 测试算法：计算错误率 使用算法：输入样本数据，然后运行随机森林算法，判断输入数据分类属于哪个分类，最后对计算出的分类执行后续处理。
算法特点： 优点：几乎无需输入准备、可实现隐式特征选择、训练速度非常快、其他模型很难超越。 缺点：劣势在于模型大小、是个很难去解释的黑盒子。 使用数据类型：数值型和标称型数据