AiTechYun
编辑：nanan
本文简要介绍一些最常用的机器学习算法，没有代码，没有抽象理论，只有图片和一些如何使用它们的例子。
本文涵盖的算法列表包括:
- 决策树
- 随机森林
- 逻辑回归
- 支持向量机
- 朴素贝叶斯
- k-最近邻
- k-均值
- Adaboost
- 神经网络
- Markov
1.决策树
使用某些属性将一组数据分类为不同的组中，在每个节点上执行测试，通过brach判断，进一步将数据拆分两个不同的组，此次等等。测试是基于现有的数据进行的，当添加新数据时，可以将其分类为相应的组。
根据某些特征对数据进行分类，每当过程进入下一步时，就会有一个判断分支，并且判断将数据分为两部分，然后过程继续。当对现有数据进行测试时，新数据可以通过现有数据了解这些问题，当有新的数据出现时，计算机可以将数据归类到正确的分支中。
2.随机森林
从原始数据中随机选择，并形成不同的子集。
矩阵S是原始数据，它包含1-N数据行，而A，B，C是特征，最后一个C代表类别。
从S中创建随机子集，假设我们有M组子集。
我们从这些子集得到M组决策树:将新的数据放入这些树中，我们可以得到M组的结果，并且我们计算出在所有M组中哪个结果是最多的，我们可以把这看作是最终结果。
3.逻辑回归
当预测目标的概率大于0且小于或等于1时，简单的线性模型不能满足预测目标的概率。因为当定义的域不在一定级别时，范围将超过指定的间隔。
我们最好使用这种模型。
那么我们如何得到这个模型呢?
这个模型需要满足两个条件：“大于或等于0”，“小于或等于1”。
我们变换公式，得到逻辑回归模型：
通过计算原始数据，我们可以得到相应的系数。
我们得到逻辑模型图：
4.支持向量机
为了将这两个类从超平面中分离出来，最好的选择是在两个类中最大限度地保留最大边距的超平面。因为Z2>Z1，所以绿色的更好。
使用线性方程表示超平面，线上方的类大于或等于1，另一个类小于或等于-1。
利用图中的方程计算出点到曲面之间的距离:
所以我们得到了下面的总边际的表达式，目的是最大化边际，我们需要做的是最小化分母：
例如，我们用3个点来找到最优的超平面，定义权向量=(2,3)- (1,1)：
并获得权重向量（a，2a），将这两个点代入方程：
当a被确认时，使用（a，2a）的结果为支持向量，代入a和w0的方程为支持向量机。
5.朴素贝叶斯
下面是NLP的一个例子：给出一段文字，检查文本的态度是积极的还是消极的：
为了解决这个问题，我们只能看一些单词:
而这些话，只会代表一些单词和它们的数量：
原来的问题是：给你一个句子，它属于哪一类？
通过使用贝叶斯规则，这将是一个简单的问题。
问题是，在这个课堂上，这个句子出现的概率是多少?记住不要忘记方程中的其它两个概率。
例如：“爱”一词的出现概率在正类中为0.1，在负类中为0.001。
6.k-最近邻
当出现一个新的数据时，哪个类别有最接近它的点，它属于哪个类别。
例如:为了区分“狗”和“猫”，我们从“爪子”和“声音”两个特征来判断。圆圈和三角形是已知的类别，“星星”代表疑问：
当K = 3时，这三条线连接最近的3个点，圆圈更多，所以“星”属于“猫”。
7.k-均值
将数据分为3类，粉色部分最大，黄色最小。
选择3、2、1作为默认值，并计算其余数据与默认值之间的距离，并将其分类为具有最短距离的类。
分类后，计算每个类的方法，并将其设置为新中心。
经过几轮之后，我们可以在类不再更改时停止。
8.Adaboost
Adaboost是提高的一种方法。
促进是收集没有得到满意结果的分类器，并生成一个可能具有更好效果的分类器。
如下图所示，树1和树2分别没有好的效果，但是如果我们输入相同的数据，并对结果进行总结，最终的结果会更有说服力。
以adaboost为例，在手写识别中，面板可以提取许多特征，例如开始方向，起点和终点之间的距离等。
在训练机器时，它会得到每个特征的重量，比如2和3，它们的起始点非常相似，所以这个特征对分类没有什么影响，因此它的重量很小。
但是这个角度有很大的可识别性，所以这个特征的重量是很大的。最后的结果将是考虑所有这些特性的结果。
9.神经网络
在NN中，输入可能会被至少分成两个类。
神经网络是由网络和网络连接形成的。
第一层是输入层，最后一层是输出层。
在隐藏层和输出层中，它们都有自己的分类器。
当输入进入网络并被激活时，计算得分将传递到下一层。输出层显示的分数是每个班级的分数。下面的例子得到第1类的结果：
传递给不同节点的相同输入产生不同的分数，这是因为在每个节点中，它具有不同的权重和偏差，这是传播。
10.马尔可夫链
马尔可夫链由状态和转换组成。
例如，基于“快速的棕色狐狸跳过懒狗”获得马尔可夫链。
首先，我们需要将每个单词设置在一个状态下，并且我们需要计算状态转换的概率。
这些是由一个句子计算出来的概率。当你使用大量的文本数据来训练计算机时，你会得到一个更大的状态转换矩阵，比如可以跟随“the”的单词，以及它们对应的概率。
