機器學習算法①

機器學習算法

廣泛地說，有三種類型的機器學習算法。

1.監督學習

這個算法由一個目标/結果變量（或因變量）組成，這個變量可以從一組給定的預測變量（獨立變量）中預測出來。 使用這些變量，我們生成一個将輸入映射到所需輸出的函數。 訓練過程一直持續到模型達到訓練資料所需的準确度。 監督學習的例子：回歸，決策樹，随機森林，KNN，邏輯回歸等。

2.無監督學習

在這個算法中，我們沒有任何目标或結果變量來預測/估計。 用于不同群體的群體聚類，廣泛用于不同群體的消費者細分進行具體幹預。 無監督學習的例子：Apriori算法，K-means。

3.強化學習：

使用這種算法，機器被訓練做出特定的決定。 它是這樣工作的：機器暴露在一個環境中，它使用反複試驗不斷地訓練自己。 這台機器從過去的經驗中學習，并試圖捕捉最好的知識，做出準确的業務決策。 強化學習執行個體：馬爾可夫決策過程

• 這裡是常用的機器學習算法清單。 這些算法可以應用于幾乎所有的資料問題：

線性回歸

Logistic回歸

決策樹

SVM

樸素貝葉斯

KNN

K均值

随機森林

次元降低算法

梯度提升算法

GBM

XGBoost

LightGBM

CatBoost

1.線性回歸

它用于根據連續變量估計實際值（房屋成本，通話次數，總銷售額等）。在這裡，我們通過拟合最佳線來建立獨立和因變量之間的關系。該最佳拟合線被稱為回歸線，并由線性方程Y = a * X + b表示。

了解線性回歸的最好方法是重溫童年的這種體驗。讓我們說，你問一個五年級的孩子，通過增加體重的順序來安排班上的人，而不要問他們的重量！你覺得孩子會做什麼？他/她可能會檢視（視覺分析）人的身高和身材，并使用這些可見參數的組合進行排列。這是現實生活中的線性回歸！實際上，孩子已經找到了身高，身材與體重之間的關系，看起來像上面的方程式。

在這個等式中：

Y因變量

一個 - 坡度

X - 自變量

b - 攔截

這些系數a和b是基于最小化資料點與回歸線之間的距離的平方和的總和而得出的。

看下面的例子。這裡我們已經确定了具有線性方程y = 0.2811x + 13.9的最佳拟合線。現在使用這個等式，我們可以找到重量，知道一個人的身高。

R代碼：

#Load Train and Test datasets
#Identify feature and response variable(s) and values must be numeric and numpy arrays
x_train <- input_variables_values_training_datasets
y_train <- target_variables_values_training_datasets
x_test <- input_variables_values_test_datasets
x <- cbind(x_train,y_train)
# Train the model using the training sets and check score
linear <- lm(y_train ~ ., data = x)
summary(linear)
#Predict Output
predicted= predict(linear,x_test) 
           

python:

#Import Library
#Import other necessary libraries like pandas, numpy...
from sklearn import linear_model
#Load Train and Test datasets
#Identify feature and response variable(s) and values must be numeric and numpy arrays
x_train=input_variables_values_training_datasets
y_train=target_variables_values_training_datasets
x_test=input_variables_values_test_datasets
# Create linear regression object
linear = linear_model.LinearRegression()
# Train the model using the training sets and check score
linear.fit(x_train, y_train)
linear.score(x_train, y_train)
#Equation coefficient and Intercept
print('Coefficient: \n', linear.coef_)
print('Intercept: \n', linear.intercept_)
#Predict Output
predicted= linear.predict(x_test)