线性回归
这是机器学习中的一种流行算法，有助于对具有连续值因变量的数据进行统计回归。而独立变量可以具有连续值或分类值。
为了理解该算法的工作原理，想象一下您按权重增加的顺序排列日志。但是，您无法称量每块木头，因为这非常耗时。所以你必须依靠视觉分析（查看原木的高度、周长）并排列它们。这是机器学习中的线性回归。
逻辑回归
逻辑回归用于从一组独立变量中估计诸如0/1之类的二进制值。该算法使用逻辑函数拟合数据，预测事件的概率。
当逻辑回归算法删除与输出 电话号码列表 变量无关的特征时，它会发挥良好的作用。这是一个可以快速学习二元分类问题的模型。
决策树（决策树）
机器学习模型中的决策树是一种用于分类问题的监督学习算法。该算法在对分类和连续因变量进行分类时效果很好。
在决策树中，您可以根据属性和独立变量将总体划分为多个同质集。
支持向量机算法（SVM算法）
SVM算法是一种分类算法方法。将原始数据绘制为 N 维空间中的点（其中 n 是您拥有的对象的数量）。
然后，每个特征的值都与特定的坐标绑定，从而可以轻松地对数据进行分类。 SVM算法解决了大规模图像分类、广告展示、图像检测等很多大问题。
朴素贝叶斯算法
朴素贝叶斯是一种简 显著提高博客参与度的8种方法 单的算法，但具有极其准确的预测模型。朴素贝叶斯模型假设某个类别中某个特定特征的存在与任何其他特征的存在无关。
即使这些对象彼此相关，朴素贝叶斯分类器在计算概率时也会独立地考虑它们。然后给出最详细的结果。朴素贝叶斯模型易于构建，并且适用于具有复杂问题的大型数据集。
K最近邻（KNN）算法
KNN算法在数据科学中应用更为广泛，用于解决分类问题。该算法存储所有可用案例，并通过获取 K 个邻居的多数票对任何新案例进行分类。
然后将实例分配 布韦岛商业指南 到与其最相似的类。距离函数将执行此测量。
为了帮助大家更好的理解KNN算法，我们举一个生活中的简单例子。例如，当您想了解某人的信息时，您可以与他们的朋友或同事聊天。
然而，选择 KNN 算法时需要仔细考虑。因为如果变量不标准化，算法就会产生偏差。在使用算法之前，您还需要处理数据。