机器学习模型是什么?

机器学习模型是一个程序,用于预测对于一个给定的数据集。机器学习模型是由监督机器学习算法和使用计算方法来“学习”信息直接从数据不依赖一个预先确定的方程。更具体地说,该算法需要一组已知的输入数据和已知的反应(输出)和火车的数据机器学习模型生成反应的合理预测新数据。

类型的机器学习模型

主要有两种类型的机器学习模型:机器学习分类(反应属于一组类)和机器学习回归(响应是连续的)。

选择合适的机器学习模型似乎overwhelming-there几十个分类和回归模型,并且每个需要一种不同的方法学习。这个过程需要评估权衡,如模型速度、准确性、复杂性,可以涉及试验和错误。

下面是机器学习分类和回归的概述机器学习模型来帮助你开始。

受欢迎的机器学习模型的回归

模型	它是如何工作的	MATLAB函数	例子和如何
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反应变量的线性函数的一个或多个预测变量。因为线性回归模型是简单的解释,容易训练,他们常常第一个模型拟合到一个新的数据集。	`fitlm`	线性回归模型是什么?——文档拟合线性回归的机器学习模型——代码示例
非线性回归	非线性回归是一个统计建模技术,帮助描述非线性关系实验数据。非线性回归模型通常假定为参数,模型被描述为一个非线性方程。 “非线性”是指一个合适的函数,是一个非线性函数的参数。例如,如果拟合参数b0, b1, b2:方程y = b₀+ b₁x + b₂x²是一个线性函数的拟合参数,而y = (b₀x^b1)/ (x + b₂)是一个非线性函数的拟合参数。	`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)	探地雷达机器学习模型非参数模型,用于预测一个连续反应变量的值。响应变量建模为高斯过程,使用与输入变量的协方差。这些模型被广泛应用领域的空间插值分析的不确定性的存在。探地雷达也称为克里格。	`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	支持向量机回归算法修改工作像SVM分类算法,但能够预测一个连续反应。而不是寻找一个超平面分离数据,支持向量机回归算法找到一个模型所得测量数据值不大于少量,尽可能小的参数值(以减少对误差的敏感性)。	`fitrsvm`	了解支持向量机回归万博1manbetx——文档安装一个支持向量机的机器学习模型——代码示例
广义线性模型	广义线性模型(GLM)是一种特殊情况下的非线性模型,采用线性方法。它包括拟合输入非线性函数的线性组合(链接函数)的输出。逻辑回归模型的一个例子的漠视。	`fitglm`	广义线性模型——文档广义线性模型拟合——代码示例
回归树	决策树的回归与决策树分类,但它们修改能够预测连续反应。	`fitrtree`	越来越多的决策树——文档拟合回归树机器学习模型——代码示例
广义可加模型(GAM)	GAM模型解释一个响应变量使用一笔单变量和二元函数的预测因子。他们使用了树作为形状函数为每个预测,可选地,每一对预测;因此,函数可以捕获一个预测和响应变量之间的非线性关系。	`fitrgam`	广义加性模型——文档火车广义相加模型的回归——代码示例
神经网络 (浅)	灵感来自于人类的大脑,神经网络由高度连接的神经元网络与输入所需的输出。网络是由迭代训练修改连接,这样的优势培训输入映射到响应。	`fitrnet`	神经网络结构——文档配件一个机器学习的神经网络模型——代码示例
神经网络(深)	比浅深层神经网络有更多的隐藏层神经网络,某些情况下有数百个隐藏层。深层神经网络可以配置为解决回归问题通过将回归输出层的网络。	`trainNetwork`	深度学习在MATLAB——文档拟合回归的深层神经网络——代码示例
回归树集合体	在整体方法,几个“弱”回归树组合成一个“强”。最终的模型使用的组合预测的“弱”回归树来计算最终的预测。	`fitrensemble`	整体算法——文档拟合回归树整体机器学习模型——代码示例

受欢迎的机器学习模型分类

模型	它是如何工作的	MATLAB函数	进一步的阅读
决策树	决策树可以预测反应数据的决策树从根到叶节点(开始)。树的分支情况预测的价值相比是一个训练有素的重量。分支机构的数量和权重的值是确定的培训过程。额外的修改,或修剪,可用于简化模型。	`fitctree`	越来越多的决策树——文档机器学习合适的决策树模型——代码示例
k最近的邻居(资讯)	资讯是一种机器学习模型分类对象基于他们最近的邻居的类的数据集。然而附近预测假设对象彼此相似。距离度量,比如欧几里得,街区,余弦,和切比雪夫,被用来找到最近的邻居。	`fitcknn`	分类使用最近的邻居——文档合适的一个k最近的邻居的机器学习模型——代码示例
万博1manbetx支持向量机(SVM)	一个支持向量机分类的数据通过线性决策边界(超平面),将一个类的所有数据点的其他类。支持向量机的最佳超平面是最大的两个类之间的边缘,当数据是线性可分的。如果数据不是线性可分的,损失函数是用来惩罚分超平面的在错误的一边。svm有时使用一个内核变换将非线性可分的数据转换为高维线性决策边界可以找到的地方。	`fitcsvm`	万博1manbetx支持向量机的二叉分类——文档安装一个支持向量机的机器学习模型代码示例
广义可加模型(GAM)	GAM模型解释类分数使用一笔单变量和二元函数的预测因子。他们使用了树作为形状函数为每个预测,可选地,每一对预测;因此,函数可以捕获一个预测和响应变量之间的非线性关系。	`fitcgam`	广义加性模型——文档为二进制分类培训广义加性模型——代码示例
神经网络(浅)	灵感来自于人类的大脑,神经网络由高度连接的神经元网络与输入所需的输出。机器学习模型的训练,反复修改连接,这样的优势给输入映射到正确的响应。神经元的输入和输出层之间的神经网络是在“隐藏层。“浅神经网络通常有两个隐藏层。	`fitcnet`	神经网络结构——文档神经网络拟合浅机器学习模型——代码示例
神经网络(深)	比浅深层神经网络有更多的隐藏层神经网络,某些情况下有数百个隐藏层。深层神经网络可以配置为解决分类问题,分类输出层的网络。许多pretrained深度学习模型分类的公开等任务图像识别。	`trainNetwork`	深度学习在MATLAB——文档拟合深神经网络分类模型——代码示例
袋装,提高了决策树	在这些集合的方法,一些“较弱”决策树结合成一个“强”。袋装决策树由树引导独立训练的数据从输入数据。提高涉及创建一个强大的学习者通过迭代添加“软弱”的学习者和调整每一个“软弱”的重量学习者关注分类错误的例子。	`fitcensemble`	整体算法——文档拟合提高了决策树合奏——代码示例
朴素贝叶斯	朴素贝叶斯分类器假设存在一个类的一个特定的功能与其他功能的存在无关。它分类新数据基于概率最高的属于一个特定的类。	`fitcnb`	朴素贝叶斯分类——文档拟合朴素贝叶斯机器学习模型——代码示例
判别分析	判别分析分类数据通过寻找特征的线性组合。判别分析假定不同的类生成基于高斯分布的数据。培训涉及寻找参数判别分析模型为每个类高斯分布。分布参数用于计算边界,可以是线性或二次函数。这些边界是用来确定类的新数据。	`fitcdiscr`	创建判别分析模型——文档拟合判别分析机器学习模型——代码示例