【机器学习】一文掌握机器学习十大分类算法(上)。

十大分类算法

1、引言
2、分类算法总结
- [2.1 逻辑回归](#2.1 逻辑回归)
- - [2.1.1 核心原理](#2.1.1 核心原理)
  - [2.1.2 算法公式](#2.1.2 算法公式)
  - [2.1.3 代码实例](#2.1.3 代码实例)
- [2.2 决策树](#2.2 决策树)
- - [2.2.1 核心原理](#2.2.1 核心原理)
  - [2.2. 代码实例](#2.2. 代码实例)
- [2.3 随机森林](#2.3 随机森林)
- - [2.3.1 核心原理](#2.3.1 核心原理)
  - [2.3.2 代码实例](#2.3.2 代码实例)
- [2.4 支持向量机](#2.4 支持向量机)
- - [2.4.1 核心原理](#2.4.1 核心原理)
  - [2.4.2 算法公式](#2.4.2 算法公式)
  - [2.4.3 代码实例](#2.4.3 代码实例)
- [2.5 朴素贝叶斯](#2.5 朴素贝叶斯)
- - [2.5.1 核心原理](#2.5.1 核心原理)
  - [2.5.2 算法公式](#2.5.2 算法公式)
  - [2.5.3 代码实例](#2.5.3 代码实例)
3、总结

1、引言

小屌丝 ：鱼哥，分类算法都有哪些？
小鱼：也就那几种了
小屌丝 ：哪几种啊？
小鱼：逻辑归回、决策树、随机森林、支持向量机...你问这个干嘛
小屌丝 ：我想捋一捋，哪些是分类算法
小鱼：我在【机器学习&深度学习】专栏已经写过了啊
小屌丝 ：那不是一篇只能学习一个技能嘛
小鱼：那你想咋的？
小屌丝 ：我想一篇学习多个技能。
小鱼：我... 的乖乖，你真是个...~~

小屌丝 ：别这么夸，我会不好意思的
小鱼：... 算了，我还是整理一下思路，写文章吧
小屌丝：可以可以。

2、分类算法总结

2.1 逻辑回归

2.1.1 核心原理

逻辑回归是用于二分类问题的统计方法，它通过将数据输入的线性组合通过逻辑函数（通常是Sigmoid函数）映射到0和1之间，从而预测概率。

2.1.2 算法公式

逻辑回归的核心公式为 P ( Y = 1 ) = 1 1 + e − ( β 0 + β 1 X 1 + . . . + β n X n ) P(Y=1) = \frac{1}{1 + e^{-(\beta_0 + \beta_1X_1 + ... + \beta_nX_n)}} P(Y=1)=1+e−(β0+β1X1+...+βnXn)1，

其中 P ( Y = 1 ) P(Y=1) P(Y=1)是给定X时Y=1的概率。

敲黑板：

详细内容可以参照小鱼的专篇：

《【机器学习】有监督学习算法之：逻辑回归》

《【机器学习】一文掌握逻辑回归全部核心点(上)。》

《【机器学习】一文掌握逻辑回归全部核心点(下)。》

2.1.3 代码实例

代码实例

python 复制代码

# -*- coding:utf-8 -*-
# @Time   : 2024-04-03
# @Author : Carl_DJ

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

# 加载数据
iris = load_iris()
X = iris.data
y = iris.target

# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2)

# 创建逻辑回归模型并训练
model = LogisticRegression(max_iter=200)
model.fit(X_train, y_train)

# 进行预测
predictions = model.predict(X_test)
print(predictions)

2.2 决策树

2.2.1 核心原理

决策树通过递归地选择最优特征，并根据该特征的不同取值对数据进行分割，每个分割为一个树的分支，直到满足停止条件。

敲黑板：

详细内容可以参照小鱼的专篇：

《【机器学习】监督学习算法之：决策树》

2.2. 代码实例

代码实例

python 复制代码

# -*- coding:utf-8 -*-
# @Time   : 2024-04-03
# @Author : Carl_DJ

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

# 加载数据
iris = load_iris()
X = iris.data
y = iris.target

# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2)

# 创建决策树模型并训练
model = DecisionTreeClassifier()
model.fit(X_train, y_train)

# 进行预测
predictions = model.predict(X_test)
print(predictions)

2.3 随机森林

2.3.1 核心原理

随机森林是一种集成学习方法，它构建多个决策树并将它们的预测结果进行投票或平均，以提高预测的准确性和稳定性。

敲黑板：

详细内容可以参照小鱼的专篇：

《【机器学习】必会算法之：随机森林》

2.3.2 代码实例

代码实例

python 复制代码

# -*- coding:utf-8 -*-
# @Time   : 2024-04-03
# @Author : Carl_DJ

from sklearn.ensemble import RandomForestClassifier
from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split

# 加载数据
iris = load_iris()
X = iris.data
y = iris.target

# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2)

# 创建随机森林模型并训练
model = RandomForestClassifier()
model.fit(X_train, y_train)

# 进行预测
predictions = model.predict(X_test)
print(predictions)

2.4 支持向量机

2.4.1 核心原理

SVM通过找到一个超平面来最大化不同类别之间的边界距离，以达到分类目的。

对于线性不可分的数据，SVM使用核技巧映射到更高维度空间中实现分离。

敲黑板：

详细内容可以参照小鱼的专篇：

《【机器学习】有监督学习算法之：支持向量机》

2.4.2 算法公式

SVM的目标是最小化 ∣ ∣ w ∣ ∣ 2 + C ∑ i = 1 n ξ i ||w||^2 + C\sum_{i=1}^{n}\xi_i ∣∣w∣∣2+C∑i=1nξi，其中C是正则化参数， ξ i \xi_i ξi是松弛变量。

2.4.3 代码实例

代码实例

python 复制代码

# -*- coding:utf-8 -*-
# @Time   : 2024-04-03
# @Author : Carl_DJ

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

# 加载数据
iris = load_iris()
X = iris.data
y = iris.target

# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2)

# 创建SVM模型并训练
model = SVC()
model.fit(X_train, y_train)

# 进行预测
predictions = model.predict(X_test)
print(predictions)

2.5 朴素贝叶斯

2.5.1 核心原理

朴素贝叶斯基于贝叶斯定理，假设特征之间相互独立。

它通过计算给定特征下每个类别的条件概率来进行分类。

2.5.2 算法公式

P ( Y ∣ X ) = P ( X ∣ Y ) P ( Y ) P ( X ) P(Y|X) = \frac{P(X|Y)P(Y)}{P(X)} P(Y∣X)=P(X)P(X∣Y)P(Y)，其中 P ( Y ∣ X ) P(Y|X) P(Y∣X)是给定特征X下类别Y的条件概率。

2.5.3 代码实例

python 复制代码

# -*- coding:utf-8 -*-
# @Time   : 2024-01-21
# @Author : Carl_DJ

from sklearn.naive_bayes import GaussianNB
from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split

# 加载数据
iris = load_iris()
X = iris.data
y = iris.target

# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2)

# 创建朴素贝叶斯模型并训练
model = GaussianNB()
model.fit(X_train, y_train)

# 进行预测
predictions = model.predict(X_test)
print(predictions)

3、总结

以上介绍的五种机器学习分类算法各有特点和应用场景，如：

逻辑回归 和朴素贝叶斯 适用于小规模数据集，
决策树 和随机森林 适用于处理复杂的非线性关系，
SVM 适用于高维数据的分类问题。

选择合适的算法取决于具体问题、数据集的特性以及预期的性能要求。

掌握这些算法的原理和使用方法，可以有效提升机器学习项目的开发效率和效果。

我是小鱼：

CSDN 博客专家；
阿里云专家博主；
51CTO博客专家；
企业认证金牌面试官；
多个名企认证&特邀讲师等；
名企签约职场面试培训、职场规划师；
多个国内主流技术社区的认证专家博主；
多款主流产品(阿里云等)测评一、二等奖获得者；

关注小鱼，学习【机器学习】&【深度学习】领域的知识。