摘要：
算法思想:根据现有数据对分类边界建立回归公式，以此分类。 训练分类器的做法就是寻找最佳拟合参数，使用最优化算法。 特点：大部分时间用于训练（确定参数），在确定参数以后分类将会很快 基于Logistic回归和Sigmoid函数分类： 优点：计算代价不高，易于理解和实现。 ... 阅读全文
摘要：
基于概率论的分类方法 分类器有时会产生错误结果，于是这时可要求分类器给出一个最优类别猜测结果，同时给出这个猜测的概率估计值 优点：数据较少仍然有效，可处理多类别问题 缺点: 对输入数据准备方式敏感 适用：标称型数据 核心思想：选择具有最高概率分布的决策（条件概率）： P（A|B... 阅读全文
摘要：
决策树也是最经常适用的数据挖掘算法 决策树可以适用不熟悉的数据集合，并从中提取一系列规则，机器学习算法最终将使用这些规则（ps：专家系统中常用决策树） 优点：计算复杂度不高，输出易于理解，中间值缺失不敏感，可处理不相关特征数据 缺点：可能产生过度匹配 适用：数值型，标称型 原理：找... 阅读全文
摘要：
采用测量不同特征之间距离的方法进行分类 优点：精度高，对异常不敏感，无数据输入假定 缺点：计算复杂度高，空间复杂度高 适用：数值型，标称型 原理：存在一个样本数据集，其中每一个数据都存在标签（分类）即训练集中每个数据与所属分类对应关系已知。 输入无标签（分类标签）数据，将新数... 阅读全文