机器学习 总结2

1. 模型训练2. 回归问题 分类问题 聚类问题2.0 K-Means算法 用于聚类问题2.1 线性回归算法 用于回归问题2.2 逻辑回归算法、朴素贝叶斯 用于分类问题2.3 KNN、决策树、集成学习、支持向量机 既可用于分类、又可用于回归3. K-Means 算法 用于聚类问题3.1 K-Means 算法 的模型评估方法SSE、SC、CH4. 线性回归算法 用于回归问题3.1 线性回归问题的求解线性回归API、损失函数、导数和矩阵、正规方程法、梯度下降法3.2 线性回归模型评估方法MAE、MSE、RMSE3.3 过拟合和欠拟合5-1. 逻辑回归算法 用于分类问题5.1 逻辑回归简介5.2 逻辑回归原理5.3 逻辑回归 分类问题评估混淆矩阵、精确率Precision、召回率Recall、F1-Score、ROC曲线、AUC指标5-2. 朴素贝叶斯 用于分类问题6-1. KNN 算法 用于回归 分类问题6-2. 决策树 用于回归 分类问题6-3. 集成学习 用于回归 分类问题6-4. 支持向量机SVM 用于回归 分类问题将二维数据通过超平面映射到三维进行分离6.1 SVM 的API的使用6.2 SVM 的算法原理6.3 SVM的核函数