在实践中，“应用机器学习”意味着你将一种算法应用于数据，该算法创建一个模型，捕捉数据中的趋势。有许多不同类型的机器学习模型可供选择，每一种模型都有自己的特点，这些特点可能使其或多或少适合给定的数据集。
此页面概述了可用的不同类型的机器学习模型监督式学习；也就是说，对于我们建立模型来预测反应的问题。在监督学习中有两类模型:回归(当响应是连续的)和分类(当响应属于一组类)。
流行的机器学习模型的回归
| 模型 | 图像 | 它是如何工作的 | MATLAB函数 | 进一步的阅读 |
|---|---|---|---|---|
| 线性回归 |  |
线性回归是一种统计建模技术，用于描述一个连续响应变量作为一个或多个预测变量的线性函数。因为线性回归模型很容易解释，也很容易训练，所以它们通常是第一个适合新数据集的模型。 | Fitlm. |
什么是线性回归模型？(文档) 拟合线性回归机器学习模型（代码示例） |
| 非线性回归 |  |
非线性回归是一种统计建模技术，有助于描述实验数据中的非线性关系。通常假设非线性回归模型是参数的，其中模型被描述为非线性方程。 “非线性”是指的是作为参数的非线性函数的拟合功能。例如，如果拟合参数是B0，B1和B2：等式Y = B.0.+ b1X + B.2X.2是拟合参数的线性函数，而Y =（b0.X.B1./（x + b2)为拟合参数的非线性函数。 |
fitnlm. |
非线性回归(文档) 拟合非线性回归机器学习模型（代码示例） |
| 高斯过程回归(GPR) |  |
GPR模型是非参数机器学习模型，用于预测连续响应变量的值。 响应变量被建模为高斯过程，使用与输入变量的协方差。 这些模型广泛用于存在不确定性存在下插值的空间分析领域。GPR也称为Kriging。 |
fitrgp |
高斯过程回归模型(文档) 拟合高斯过程机器学习模型（代码示例） |
| 万博1manbetx支持向量机（SVM）回归 |  |
SVM回归算法类似SVM分类算法，但被修改为能够预测连续响应。SVM回归算法而不是查找分隔数据的超平面，而SVM回归算法发现一个模型，该模型将从测量的数据偏离不大于少量的值，其中参数值尽可能小（以最小化对错误的灵敏度）。 | Fitrsvm. |
拟合SVM机器学习模型（代码示例） |
| 广义线性模型 |  |
广义的线性模型是使用线性方法的非线性模型的特殊情况。它涉及将输入的线性组合拟合到输出的非线性函数（链路功能）。 | Fitglm. |
广义线性模型(文档) 拟合广义的线性模型（代码示例） |
| 回归树 |  |
回归的决策树与分类的决策树类似，但它们被修改为能够预测连续响应。 | fitrtree |
日益决策树(文档) 拟合回归树机学习模型（代码示例） |
神经网络 (浅) |
 |
受人类大脑的启发，神经网络由高度连接的神经元网络组成，将输入与期望的输出联系起来。通过迭代地修改连接的强度，通过迭代地修改网络，使得培训输入映射到训练响应。 | fitrnet |
神经网络架构(文档) 拟合神经网络机器学习模型（代码示例） |
| 神经网络(深) | |
深度神经网络具有比浅神经网络更多的隐藏层，具有数百个隐藏层的一部分。深神经网络可以被配置为通过在网络末尾放置回归输出层来解决回归问题。 | trainNetwork |
MATLAB中的深度学习(文档) 拟合深度神经网络用于回归（代码示例） |
| 回归树合奏 |  |
在合奏方法中，几个“弱”回归树被组合成“更强烈”的集合。最终模型使用来自“弱”回归树的预测组合来计算最终预测。 | fitrensemble |
整体算法(文档) 拟合回归树集合机学习模型（代码示例） |
流行机器学习模型进行分类
| 模型 | 图像 | 它是如何工作的 | MATLAB函数 | 进一步的阅读 |
|---|---|---|---|---|
| 物流回归 |  |
Logistic回归是一种模型，可以预测属于一个类或另一类的二进制响应的概率。由于其简单性，逻辑回归通常用作二进制分类问题的起点。 | Fitglm. |
广义线性模型(文档) 拟合Logistic回归机器学习模型（代码示例） |
| 决策树 |  |
决策树允许您通过从根(开始)到叶节点跟踪树中的决策来预测对数据的响应。树由分支条件组成，其中预测器的值与训练的权重进行比较。分支的数量和权值是在训练过程中确定的。额外的修改，或修剪，可以用来简化模型。 | fitctree |
日益决策树(文档) 拟合决策树机学习模型（代码示例） |
| k最近邻居（knn） |  |
KNN是一种机器学习模型，可根据数据集中的最近邻居的类对对象进行分类。KNN预测假设彼此附近的物体是相似的。距离指标，例如欧几里德，城市块，余弦和Chebyshev，用于找到最近的邻居。 | fitcknn |
使用最近邻居分类(文档) 拟合k最近邻机器学习模型（代码示例） |
| 万博1manbetx支持向量机 |  |
SVM通过查找线性决策边界（超平面）分类数据，该边界（超平面）将所有数据点与其他类的那些分开。SVM的最佳超平面是两个类之间具有最大边距的超平面，当数据线性可分离时。如果数据不可线性可分离，则使用损耗函数来惩罚超平面的错误侧的点。SVM有时使用内核变换将非线性可分离数据转换为可以找到线性决策边界的更高尺寸。 | fitcsvm. |
拟合SVM机器学习模型（代码示例） |
| 神经网络(浅) | |
受人类大脑的启发，神经网络由高度连接的神经元网络组成，将输入与期望的输出联系起来。机器学习模型通过迭代修改连接的强度来训练，以便给定的输入映射到正确的响应。在神经网络的输入层和输出层之间的神经元被称为“隐藏层”。浅神经网络通常有一到两个隐藏层。 | Fitcnet. |
神经网络架构(文档) 拟合浅神经网络机学习模型（代码示例） |
| 神经网络(深) | |
深度神经网络具有比浅神经网络更多的隐藏层，具有数百个隐藏层的一部分。深神经网络可以被配置为通过在网络末尾放置分类输出层来解决分类问题。许多净化深入学习模式分类是公开可用的任务，例如图像识别。 | trainNetwork |
MATLAB中的深度学习(文档) 深度神经网络分类模型的拟合（代码示例） |
| 袋装和提升决策树 | |
在这些集成方法中，几个“较弱”的决策树被组合成一个“较强”的集成。 袋装决策树由树木独立于从输入数据引导的数据进行培训。 助推包括通过反复添加“弱”学习者，并调整每个“弱”学习者的权重，以集中于错误分类的例子，从而创建一个强大的学习者。 |
fitcensemble. |
整体算法(文档) 拟合增强决策树集成（代码示例） |
| 朴素贝叶斯 |  |
一个天真的贝叶斯分类器假设在类中存在特定特征与任何其他特征的存在无关。它根据其属于特定类的最高概率对新数据进行分类。 | fitcnb |
天真的贝叶斯分类(文档) 适合天真的贝叶斯机器学习模型（代码示例） |
| 判别分析集合 |  |
判别分析通过寻找特征的线性组合对数据进行分类。判别分析假设不同的类根据高斯分布生成数据。训练判别分析模型包括为每一类寻找高斯分布的参数。分布参数用于计算边界，边界可以是线性或二次函数。这些边界用于确定新数据的类别。 | fitcdiscr. |
创建判别分析模型(文档) 拟合判别分析机学习模型（代码示例） |
