机器学习常用模型

关联性分析

Apriori算法

关联分析中最基本的算法（然而已被淘汰），发现数据集中各个数据项的关联程度。

FP-growth算法

frequent pattern算法，同样是查找频繁项集，但是比Apriori更快。

分类

朴素贝叶斯分类器

朴素贝叶斯分类器的基本假设是：样本向量中各个元素相互独立。 该方法是文本分类中的一个基本方法。

KNN

异常简单的KNN实现。

Logistic Regression

逻辑回归分类器，利用特征之间的线性关系和sigmoid函数对输入数据进行二分类。

sklearnSVM

python sklearn机器学习库中对SVM的API

SVM

线性SVM分类器，运用简单的SMO算法进行加速。

决策树

用于离散数据分类的决策树

聚类

K-means聚类

通过自定义的K-means算法，对鸢尾花数据集进行聚类，并将真实标签与聚类标签对比，结果表明聚类效果良好。

时间序列

异常点监测

聚合

adaboost

boosting聚合方法的代表之一：AdaBoost（自适应Boost） 通过调整样本权重和子分类器预测权重来聚合

bagging聚合代表——随机森林

随机森林解决连续性数据集的分类问题。

降维

PCA

主成分分析(Principal Component Analysis)。 第一个新坐标轴选择的是原始数据中方差最大的方向， 第二个新坐标轴选择和第一个坐标轴正交且具有最大方差的方向。 一直重复，由于大部分方差都包含在前面的几个新坐标轴中。 所以可以湖绿余下的坐标轴，既对数据进行了降维处理。

SVD

奇异值分解(Singular Value Decomposition）

回归

CART

Classification and Regression Tree 分类回归树

线性回归

逐步线性回归