机器学习三大基础算法学习笔记
·
一、概述
线性回归、逻辑回归、K-Means聚类是机器学习入门三大经典算法，根据有无标签、任务目标分为三类：线性回归做连续值预测、逻辑回归做二分类、聚类无标签自动分组。
1. 线性回归（监督·回归）
核心：拟合线性方程 y=wx+b，用最小均方误差优化参数，预测连续数值。
流程：导入数据→初始化参数→计算预测误差→梯度下降更新权重→收敛后完成预测。
用途：房价、销售额等数值预测。
2. 逻辑回归（监督·二分类）
核心：线性计算后套Sigmoid函数，将结果映射0~1概率，以0.5为阈值划分两类。
流程：特征输入→线性运算→Sigmoid转概率→交叉熵损失优化→概率判别分类。
用途：疾病筛查、垃圾邮件识别。
3. K-Means聚类（无监督·分组）
核心：预先给定聚类数K，迭代「样本就近分簇→更新簇中心点」，中心点稳定即结束分组。
流程：无标签数据→随机K个中心→样本归类→更新簇心→迭代收敛输出分组。
用途：用户画像分群、商品分类。
二、小结
带标签预估数值选线性回归，带标签区分两类选逻辑回归，无标签数据自主分类选用K-Means聚类
汇聚全球AI编程工具，助力开发者即刻编程。
更多推荐
4
0- 0
已为社区贡献1条内容
所有评论(0)