十大必须掌握的机器学习算法，你都知道了吗？

通过本篇文章可以对 ML 的常用算法有个常识性的认识，没有代码，没有复杂的理论推导，就是图解一下，知道这些算法是什么，它们是怎么应用的，例子主要是分类问题。

每个算法都看了好几个视频，挑出讲的最清晰明了有趣的，便于科普。以后有时间再对单个算法做深入地解析。

今天的算法如下：

决策树
随机森林算法
逻辑回归
SVM
朴素贝叶斯
K 最近邻算法
K 均值算法
Adaboost 算法
神经网络
马尔可夫

1. 决策树

根据一些 feature 进行分类，每个节点提一个问题，通过判断，将数据分为两类，再继续提问。这些问题是根据已有数据学习出来的，再投入新数据的时候，就可以根据这棵树上的问题，将数据划分到合适的叶子上。

在源数据中随机选取数据，组成几个子集。

例如，S 矩阵是源数据，有 1 - N 条数据，A、B、C 是 feature，最后一列 C 是类别；由 S 随机生成 M 个子矩阵；这 M 个子集得到 M 个决策树。

将新数据投入到这 M 个树中，得到 M 个分类结果，计数看预测成哪一类的数目最多，就将此类别作为最后的预测结果。

当预测目标是概率这样的，值域需要满足大于等于 0，小于等于 1 的，这个时候单纯的线性模型是做不到的，因为在定义域不在某个范围之内时，值域也超出了规定区间。

所以此时需要构建模型；这个模型需要满足两个条件“大于等于 0”，“小于等于 1”；

大于等于 0 的模型可以选择绝对值，平方值，这里用指数函数，一定大于 0；

小于等于 1 用除法，分子是自己，分母是自身加上 1，那一定是小于 1 的了。

再做一下变形，就得到了 logistic regressions 模型；通过源数据计算可以得到相应的系数了；最后得到 logistic 的图形。

要将两类分开，想要得到一个超平面，最优的超平面是到两类的 margin 达到最大，margin 就是超平面与离它最近一点的距离。

将这个超平面表示成一个线性方程，在线上方的一类，都大于等于 1，另一类小于等于 -1；应用点到面的距离根据图中的公式计算；所以得到 total margin 的表达式，目标是最大化这个 margin，就需要最小化分母，于是变成了一个优化问题。

举个例子，三个点，找到最优的超平面，定义了 weight vector=（2，3）-（1，1）。

得到 weight vector 为（a，2a），将两个点代入方程，代入（2，3）另其值 =1，代入（1，1）另其值 =-1，求解出 a 和截矩 w0 的值，进而得到超平面的表达式。

a 求出来后，代入（a，2a）得到的就是 support vector。

a 和 w0 代入超平面的方程就是 support vector machine。

给一段文字，返回情感分类，这段文字的态度是 positive，还是 negative。

为了解决这个问题，可以只看其中的一些单词。

请您登录后阅读全文，登录或者注册