机器学习算法总结

前言：

最近一段时间一直在忙秋招，在参加秋招的过程中顺便总结了一下机器学习中常用的一些算法。

1.降维(SVD,PCA)

降维是机器学习中很重要的一种思想。在机器学习中会遇到一些高维的数据集，而在高维数据集的其情形下会出现数据样本稀疏，距离计算等困难，称之为“维度灾难”；另外就是高维特征中容易出现特征之间的线性相关，即意味着特征是冗余的。基于上述问题，降维的思想就出现了。

降维的方法有很多，而且分为线性降维和非线性降维。

线性降维包括：

• 奇异值分解(SVD)

  为什么先介绍SVD算法，因为在后面的PCA算法的实现用到了SVD算法。SVD算法不光可以用于降维算法中的特征分解，还可以用于推荐系统，以及自然语言处理等领域。是很多机器学习算法的基石。

• 主成分分析(PCA)

  PCA算法可以说是最常用的算法，在数据压缩，消除冗余等领域有着广泛的使用。

非线性降维方法：

• 核PCA方法

  有时数据不是线性的，无法用线性降维获得好的结果，那么这里就引入了我们的核PCA方法来处理这些问题。需要在求协方差矩阵时，将数据先映射到高维（根据低维不可分的数据在高维必定可分的原理），然后再对这高维的数据进行PCA降维处理，为了减少计算量，像支持向量机中那样用核函数来处理求内积的问题。这类方法就是核主成分分析方法（KPCA），KPCA由于要做核运算，因此计算量比PCA大很多