在实践中,“应用机器学习”意味着你应用一个算法的数据,并且算法创建一个模型来捕获数据的趋势。有许多不同类型的机器学习模型可供选择,每一种都有其各自的特点,可能会或多或少地适合一个给定的数据集。
本页面概述用于不同类型的机器学习模型监督式学习;问题,我们建立一个模型来预测一个响应。在监督学习有两种模型:回归(连续反应时)和分类(当反应属于一组类)。
受欢迎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,他们往往是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 = (b0xb1)/ (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 |
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 |  |
广义线性模型是一种特殊的非线性模型,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。 | 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) |
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 | 图像 | 它是如何工作的 | MATLAB函数 | 进一步的阅读 |
|---|---|---|---|---|
| 逻辑回归 |  |
逻辑回归模型,可以预测一个二进制响应的概率属于一个类。因为它的简单,逻辑回归是常用的二元分类问题的起点。 | fitglm |
广义线性模型(文档) 合适的机器学习逻辑回归模型(代码示例) |
| 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最近邻(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数据集的类。然而,预测假设附近对象彼此相似。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) 安装一个k最近邻机器学习模型(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 |
安装一个支持向量机的机器学习模型(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) |
| 判别分析集合体 |  |
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) |
