机器学习算法

机器学习算法可以分为监督学习、无监督学习、强化学习等类别。

监督学习算法：

  • 线性回归（Linear Regression）：用于回归任务，预测连续的数值。
  • 逻辑回归（Logistic Regression）：用于二分类任务，预测类别。
  • 支持向量机（SVM）：用于分类任务，构建超平面进行分类。
  • 决策树（Decision Tree）：基于树状结构进行决策的分类或回归方法。

无监督学习算法：

  • K-means 聚类：通过聚类中心将数据分组。
  • 主成分分析（PCA）：用于降维，提取数据的主成分。

每种算法都有其适用的场景，在实际应用中，可以根据数据的特征（如是否有标签、数据的维度等）来选择最合适的机器学习算法。

分类维度 类别 核心定义 典型算法 核心优缺点 适用场景
学习方式 监督学习 用带标签数据学习输入到输出的映射 逻辑回归、SVM、决策树、CNN、LSTM 优点：预测精度高；缺点：依赖高质量标注数据 分类、回归、图像识别、文本翻译
无监督学习 用无标签数据挖掘数据内在规律 K-Means、PCA、DBSCAN、自编码器 优点：无需标注；缺点：结果可解释性弱 数据聚类、降维、异常检测、用户分群
半监督学习 结合少量标签数据和大量无标签数据训练 半监督SVM、标签传播算法 优点：降低标注成本；缺点：模型设计复杂 医疗影像分析、小众语种NLP
强化学习 模型通过与环境交互，以奖励信号优化策略 Q-Learning、DQN、PPO 优点：适配动态决策；缺点：训练周期长 游戏AI、机器人控制、推荐策略优化
任务目标 分类算法 预测离散的类别标签 逻辑回归、随机森林、CNN 优点：适配分类场景；缺点：对类别不平衡敏感 垃圾邮件识别、图像分类、疾病诊断
回归算法 预测连续的数值输出 线性回归、岭回归、XGBoost 优点：输出连续值；缺点：对异常值敏感 房价预测、销量预测、温度预测
聚类算法 无标签下将相似数据归为一类 K-Means、层次聚类、DBSCAN 优点：自动分群；缺点：聚类效果依赖距离度量 市场细分、用户画像、异常检测
降维算法 减少特征维度，保留核心信息 PCA、t-SNE、LDA 优点：降低计算成本；缺点：可能丢失部分信息 高维数据可视化、特征预处理
模型结构 线性模型 假设输入与输出为线性关系 线性回归、逻辑回归、岭回归 优点：可解释性强、训练快；缺点：难以拟合非线性关系 简单分类回归、基线模型搭建
树模型 基于决策树构建，处理非线性关系 决策树、随机森林、XGBoost、LightGBM 优点：无需特征归一化；缺点：树过深易过拟合 工业级分类回归、竞赛级任务
神经网络模型 多层神经元结构，自动提取复杂特征 ANN、CNN、RNN、Transformer 优点：拟合复杂关系；缺点：需大量数据和算力 图像识别、NLP、语音合成
概率模型 基于概率统计理论，计算概率分布 朴素贝叶斯、隐马尔可夫模型 优点：理论基础扎实；缺点：依赖强假设 文本分类、语音识别、序列标注

监督学习算法

线性回归（Linear Regression）

线性回归是一种用于回归问题的算法，它通过学习输入特征与目标值之间的线性关系，来预测一个连续的输出。

应用场景：预测房价、股票价格等。

线性回归的目标是找到一个最佳的线性方程：

  • y 是预测值（目标值）。
  • x1，x2，xn 是输入特征。
  • w1，w2，wn是待学习的权重（模型参数）。
  • b 是偏置项。

接下来我们使用 sklearn 进行简单的房价预测：

实例

from sklearn.linear_model import LinearRegression
from sklearn.model_selection import train_test_split
import pandas as pd

# 假设我们有一个简单的房价数据集
data = {
    '面积': [50, 60, 80, 100, 120],
    '房价': [150, 180, 240, 300, 350]
}
df = pd.DataFrame(data)

# 特征和标签
X = df[['面积']]
y = df['房价']

# 数据分割
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# 训练线性回归模型
model = LinearRegression()
model.fit(X_train, y_train)

# 预测
y_pred = model.predict(X_test)

print(f"预测的房价: {y_pred}")

输出结果为：

预测的房价: [180.8411215]

逻辑回归（Logistic Regression）

逻辑回归是一种用于分类问题的算法，尽管名字中包含"回归"，它是用来处理二分类问题的。

逻辑回归通过学习输入特征与类别之间的关系，来预测一个类别标签。

应用场景：垃圾邮件分类、疾病诊断（是否患病）。

逻辑回归的输出是一个概率值，表示样本属于某一类别的概率。

通常使用 Sigmoid 函数：

使用逻辑回归进行二分类任务:

实例

from sklearn.linear_model import LogisticRegression
from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.metrics import accuracy_score

# 加载鸢尾花数据集
iris = load_iris()
X = iris.data
y = iris.target

# 只取前两类做二分类任务
X = X[y != 2]
y = y[y != 2]

# 数据分割
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# 训练逻辑回归模型
model = LogisticRegression()
model.fit(X_train, y_train)

# 预测
y_pred = model.predict(X_test)

# 评估模型
print(f"分类准确率: {accuracy_score(y_test, y_pred):.2f}")

输出结果为：

分类准确率: 1.00

支持向量机（SVM）

支持向量机是一种常用的分类算法，它通过构造超平面来最大化类别之间的间隔（Margin），使得分类的误差最小。

应用场景：文本分类、人脸识别等。

使用 SVM 进行鸢尾花分类任务：

实例

from sklearn.svm import SVC
from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.metrics import accuracy_score

# 加载鸢尾花数据集
iris = load_iris()
X = iris.data
y = iris.target

# 数据分割
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42)

# 训练 SVM 模型
model = SVC(kernel='linear')
model.fit(X_train, y_train)

# 预测
y_pred = model.predict(X_test)

# 评估模型
print(f"SVM 分类准确率: {accuracy_score(y_test, y_pred):.2f}")

输出结果为：

SVM 分类准确率: 1.00

决策树（Decision Tree）

决策树是一种基于树结构进行决策的分类和回归方法。它通过一系列的"判断条件"来决定一个样本属于哪个类别。

应用场景：客户分类、信用评分等。

使用决策树进行分类任务：

实例

from sklearn.tree import DecisionTreeClassifier
from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.metrics import accuracy_score

# 加载鸢尾花数据集
iris = load_iris()
X = iris.data
y = iris.target

# 数据分割
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42)

# 训练决策树模型
model = DecisionTreeClassifier(random_state=42)
model.fit(X_train, y_train)

# 预测
y_pred = model.predict(X_test)

# 评估模型
print(f"决策树分类准确率: {accuracy_score(y_test, y_pred):.2f}")

输出结果为：

决策树分类准确率: 1.00

无监督学习算法

K-means 聚类（K-means Clustering）

K-means 是一种基于中心点的聚类算法，通过不断调整簇的中心点，使每个簇中的数据点尽可能靠近簇中心。

应用场景：客户分群、市场分析、图像压缩。

使用 K-means 进行客户分群:

实例

from sklearn.cluster import KMeans
from sklearn.datasets import make_blobs
import matplotlib.pyplot as plt

# 生成一个简单的二维数据集
X, _ = make_blobs(n_samples=300, centers=4, cluster_std=0.60, random_state=0)

# 训练 K-means 模型
model = KMeans(n_clusters=4)
model.fit(X)

# 预测聚类结果
y_kmeans = model.predict(X)

# 可视化聚类结果
plt.scatter(X[:, 0], X[:, 1], c=y_kmeans, s=50, cmap='viridis')
plt.show()

输出的图如下所示：

主成分分析（PCA）

PCA 是一种降维技术，它通过线性变换将数据转换到新的坐标系中，使得大部分的方差集中在前几个主成分上。

应用场景：图像降维、特征选择、数据可视化。

使用 PCA 降维并可视化高维数据:

实例

from sklearn.decomposition import PCA
from sklearn.datasets import load_iris
import matplotlib.pyplot as plt

# 加载鸢尾花数据集
iris = load_iris()
X = iris.data
y = iris.target

# 降维到 2 维
pca = PCA(n_components=2)
X_pca = pca.fit_transform(X)

# 可视化结果
plt.scatter(X_pca[:, 0], X_pca[:, 1], c=y, cmap='viridis')
plt.title('PCA of Iris Dataset')
plt.show()

输出的图如下所示：

机器学习算法

中文全称 英文全称 简写 核心适用场景
传统机器学习算法
决策树 Decision Tree DT 分类、回归、特征重要性分析
随机森林 Random Forest RF 分类、回归、异常检测、特征筛选
逻辑回归 Logistic Regression LR 二分类任务、概率预测、信用评分
支持向量机 Support Vector Machine SVM 分类、高维小样本数据、文本分类
朴素贝叶斯 Naive Bayes NB 文本分类、垃圾邮件识别、情感分析
梯度提升树 Gradient Boosting Decision Tree GBDT 分类、回归、排序任务
极端梯度提升 Extreme Gradient Boosting XGBoost 高精度分类回归、竞赛级任务、点击率预测
轻量级梯度提升机 Light Gradient Boosting Machine LightGBM 大规模数据分类回归、实时预测、推荐系统
K近邻算法 K-Nearest Neighbor KNN 简单分类回归、推荐系统、异常检测
K均值聚类 K-Means Clustering K-Means 数据聚类、用户分群、图像分割
主成分分析 Principal Component Analysis PCA 数据降维、高维数据可视化、特征去噪
深度学习算法
人工神经网络 Artificial Neural Network ANN 简单分类回归、基线模型验证
卷积神经网络 Convolutional Neural Network CNN 图像识别、目标检测、视频分析、医学影像诊断
循环神经网络 Recurrent Neural Network RNN 序列数据处理、文本生成、语音识别
长短期记忆网络 Long Short-Term Memory LSTM 长序列文本翻译、语音合成、时间序列预测
门控循环单元 Gated Recurrent Unit GRU 序列分类、情感分析、对话系统
生成对抗网络 Generative Adversarial Network GAN 图像生成、风格迁移、数据增强、超分辨率重建
变换器 Transformer Transformer 自然语言翻译、文本摘要、多模态任务、大模型基础架构
自编码器 Autoencoder AE 数据压缩、异常检测、特征提取
变分自编码器 Variational Autoencoder VAE 生成式任务、数据降噪、图像生成
图神经网络 Graph Neural Network GNN 社交网络分析、分子结构预测、知识图谱推理