摘要：
利用Logistic回归进行分类的主要思想是：根据现有数据对分类边界线建立回归公式，以此进行分类。训练分类器时的做法就是寻找最佳拟合参数，使用的是最优化算法。Logistic回归的一般过程收集数据：采用任意方法收集数据。准备数据：由于需要进行距离计算，因此要求数据类型为数值型。另外，结构化数据格式则最佳。分析数据：采用任意方法对数据进行分析。训练算法：大部分时间将用于训练，训练的目的是为了找到最佳... 阅读全文
摘要：
优点：精度高、对异常值不敏感、无数据输入假定。缺点：计算复杂度高、空间复杂度高。 适用数据范围：数值型和标称型。k近邻算法的一般流程收集数据：可以使用任何方法。准备数据：距离计算所需要的数值，最好是结构化的数据格式。分析数据：可以使用任何方法。训练算法：此步骤不适用于k近邻算法。测试算法：计算错误率。使用算法：首先需要输入样本数据和结构化的输出结果，然后运行k近邻算法判定输入数据分别属于哪个分类，... 阅读全文
摘要：
优点：在数据较少的情况下仍然有效，可以处理多类别问题。 缺点：对于输入数据的准备方式较为敏感。 适用数据类型：标称型数据。 条件概率：p(x,y|c₁) 需要先验知识和逻辑推理 频数概率：从数据本身获得结论，并不考虑逻辑推理及先验知识 贝叶斯决策理论的核心思想，即选择具有最高概率的决策。 朴素贝叶斯 阅读全文