1.分类算法
分类算法是有监督学习的一个核心问题，他从数据中学习一个分类决策函数或分类模型，对新的输入进行预测，输出变量取有限个离散值。
以下是一些常见的分类算法：
-
逻辑回归 (Logistic Regression):
用于二分类问题，通过逻辑函数将输入映射到0和1之间的概率。
-
K近邻算法 (K-Nearest Neighbors, KNN):
基于输入数据点在特征空间中的邻近程度，将其分为最接近的K个邻居的多数类别。
-
决策树 (Decision Trees):
基于对输入数据进行递归分割，以最小化混淆或不确定性，从而创建树状结构来进行分类。
-
随机森林 (Random Forest):
通过集成多个决策树，每个树的投票决定最终的分类结果，提高模型的鲁棒性和泛化能力。
-
支持向量机 (Support Vector Machines, SVM):
构建一个超平面，最大化两个类别之间的间隔，用于二分类和多分类问题。
-
朴素贝叶斯 (Naive Bayes):
基于贝叶斯定理，假设输入特征之间是相互独立的，通过计算后验概率进行分类。
-
神经网络 (Neural Networks):
通过多个神经元和层的组合，学习非线性关系，适用于复杂的问题和大规模数据。
-
梯度提升机 (Gradient Boosting Machines):
通过逐步构建多个弱分类器（通常是决策树），每个都纠正前一个的错误，从而提高整体模型性能。
-
Adaboost (Adaptive Boosting):
类似于梯度提升，但是每个弱分类器的权重是根据前一个分类器的性能来调整的。
-
XGBoost (Extreme Gradient Boosting):
是一种梯度提升算法的变种，通过更加高效的实现和正则化技术，提高了性能。
选择合适的分类算法通常取决于数据的性质、问题的复杂程度以及模型的性能要求。在实际应用中，往往需要尝试多种算法，并通过交叉验证等技术来评估它们的性能。