其他监督学习算法(了解)
监督学习算法详解
监督学习是一种基于带标签数据进行建模的机器学习方法，其核心思想是通过学习输入特征与输出标签之间的映射关系，对未知数据进行预测。常见任务包括分类（预测离散类别）和回归（预测连续数值）。
常用算法
线性回归（Linear Regression）：假设输入与输出存在线性关系，适用于回归任务，优点是简单高效，缺点是无法处理非线性关系。
逻辑回归（Logistic Regression）：用于二分类，通过 Sigmoid 函数输出概率，适合线性可分问题。
K近邻（KNN）：基于距离度量的懒惰学习方法，分类或回归均可，计算量大且对高维数据不友好。
决策树（Decision Tree）：通过特征递归分裂构建树结构，易解释但易过拟合。
支持向量机（SVM）：通过最大化间隔实现分类，适合高维数据，但计算复杂度高。
随机森林（Random Forest）：集成多棵决策树，提升泛化能力，适合高维特征场景。
该示例展示了数据加载 → 划分 → 模型训练 → 预测评估的完整流程。
典型应用场景
图像识别：如人脸识别、目标检测。
自然语言处理：情感分析、文本分类、命名实体识别。
医学诊断：疾病预测、影像分析。
金融风控：信用评分、欺诈检测。
注意事项
数据标注成本高：需大量高质量标签数据。
过拟合风险：可用正则化、交叉验证、集成学习缓解。
数据偏差：需保证训练数据分布与实际应用一致。
朴素贝叶斯法
朴素贝叶斯法简介
极大似然估计
贝叶斯估计
学习与分类过程
决策树
决策树简介
决策树工作过程
特征选择与决策树生成
决策树的剪枝
支持向量机
支持向量机简介
线性可分支向量机-硬间隔
线性支持向量机-软间隔
非线性支持向量机-核函数
集成学习
AdaBoost
随机森林
