【分類算法】什麼是分類算法

目錄

• 定義
• 分類與聚類
• 分類過程
• 方法

定義

分類算法的本意就是對我們的資料分進行分類。把它們分到已知的每一個類别。就像一個籃子裡面有很多橙子和蘋果，機器會通過我們訓練出來的模型，對籃子裡的水果進行分類。比如：紅色 = 蘋果，橙色 = 橙子。若要讓機器直到這種規則，我們就需要一定量的帶标簽的“紅/橙”标簽的資料。然後讓模型學習，噢，原來是這種分類規則。

是以分類算法往往需要“帶标簽”的資料。它是一個監督學習的過程。目标資料都有哪些特征以及這些特征對應什麼标簽都必須是已知的。然後模型會周遊每一筆資料，最終得到我們我們所認為的規則。是以分類算法往往擁有更精确的計算結果。隻是資料的局限性更高，若無法滿足的話，我們則需要考慮聚類分析。

分類與聚類

這裡的對比其實是複制我的另外一篇文章。（【聚類算法】什麼是聚類）

對比項	分類	聚類
基礎	将資料分類為衆多已定義的确定類之一	此函數将資料映射到多個叢集中的一個叢集，其中資料項的排列依賴于它們之間的相似性。
類型	監督學習	非監督學習
訓練集	需要	不需要

分類過程

• 資料準備 - 準備你要分類的資料。這些資料必須要帶标簽的
• 資料分類 - 把資料劃分成訓練集和測試集。這裡有很多種劃分規則。（後續我就訓練集與測試集的劃分分享一篇文章，敬請期待）
• 訓練模型 - 把訓練集資料傳進模型當中，讓模型直到我們需要的規則。
• 測試模型 - 使用測試集測試模型的效果，并調整模型
• 輸出模型 - 把訓練好的模型打包并輸出

方法

分類的方法有很多。但很多都是從線性回歸為基礎拓展出來的，比如邏輯回歸。這裡稍微預告一下我會分享的分類算法：

• 邏輯回歸
• 支援向量機(SVM)
• KNN
• 決策樹
• 随機森林
• Xgboots
• 貝葉斯

• 神經網絡（這個有難度，希望能分享）

  點我閱讀更多算法分享