【光電智造】一文讀懂機(jī)器學(xué)習(xí)常用算法的基本概念和適用場(chǎng)景

適用場(chǎng)景及主要應(yīng)用領(lǐng)域：

K近鄰（KNN）算法需要注意的問題：

樸素貝葉斯算法注意點(diǎn)：

·當(dāng)特征屬性值的值類型不是離散值而是連續(xù)值的時(shí)候，需要通過高斯分布做概率的計(jì)算；

·為了避免統(tǒng)計(jì)概率中出現(xiàn)概率為0的情況，可以引入Laplace校準(zhǔn)，它的思想非常簡(jiǎn)單，就是對(duì)沒類別下所有劃分的計(jì)數(shù)加1。

適用場(chǎng)景及主要應(yīng)用領(lǐng)域：

主要應(yīng)用領(lǐng)域

決策樹算法注意點(diǎn)：

適用場(chǎng)景及主要應(yīng)用領(lǐng)域：

SVM算法注意點(diǎn)：

·處理非線性數(shù)據(jù)集的方法之一是添加更多的特征，比如多項(xiàng)式特征。

適用場(chǎng)景及主要應(yīng)用領(lǐng)域：

支持向量機(jī)(Support Vector Machine)是Cortes和Vapnik于1995年首先提出的，它在解決小樣本、非線性及高維模式識(shí)別中表現(xiàn)出許多特有的優(yōu)勢(shì)，但它具有以下缺點(diǎn)：

·無(wú)法應(yīng)對(duì)大規(guī)模訓(xùn)練樣本；

·難以解決多分類問題；

·對(duì)參數(shù)及核函數(shù)選擇非常敏感。

支持向量機(jī)的常見適用范圍如下：

·網(wǎng)絡(luò)完全

傳統(tǒng)的網(wǎng)絡(luò)入侵檢測(cè)方法大多采用密碼簽名的方法。在進(jìn)行入侵檢測(cè)方面，機(jī)器學(xué)習(xí)技術(shù)可以幫助我們進(jìn)行網(wǎng)絡(luò)流量的分析，在這里支持向量機(jī)具有檢測(cè)速度快，分類精度高等特點(diǎn)，可以幫助安全人員識(shí)別不同類別的網(wǎng)絡(luò)攻擊，例如掃描和欺詐網(wǎng)絡(luò)。

·人臉識(shí)別

SVM可以將圖像部分分為人臉和非人臉。它包含nxn像素的訓(xùn)練數(shù)據(jù)，具有兩類人臉（+1）和非人臉（-1），然后從每個(gè)像素中提取特征作為人臉和非人臉。根據(jù)像素亮度在人臉周圍創(chuàng)建邊界，并使用相同的過程對(duì)每個(gè)圖像進(jìn)行分類。

·文本和超文本分類

SVM可以實(shí)現(xiàn)對(duì)兩種類型的模型進(jìn)行文本和超文本分類，它主要通過使用訓(xùn)練數(shù)據(jù)將文檔分類為不同的類別，如新聞文章、電子郵件和網(wǎng)頁(yè)。

對(duì)于每個(gè)文檔，計(jì)算一個(gè)分?jǐn)?shù)并將其與預(yù)定義的閾值進(jìn)行比較。當(dāng)文檔的分?jǐn)?shù)超過閾值時(shí)，則將文檔分類為確定的類別。如果它不超過閾值，則將其視為一般文檔。

通過計(jì)算每個(gè)文檔的分?jǐn)?shù)并將其與學(xué)習(xí)的閾值進(jìn)行比較來(lái)對(duì)新實(shí)例進(jìn)行分類。

·蛋白質(zhì)折疊和遠(yuǎn)程同源檢測(cè)

蛋白質(zhì)遠(yuǎn)程同源性檢測(cè)是計(jì)算生物學(xué)中的一個(gè)關(guān)鍵問題。SVM算法是遠(yuǎn)程同源檢測(cè)最有效的方法之一。這些方法的性能取決于蛋白質(zhì)序列的建模方式。

adaboost算法注意點(diǎn)：

適用場(chǎng)景及主要應(yīng)用領(lǐng)域：

EM算法注意點(diǎn)：

適用場(chǎng)景及主要應(yīng)用領(lǐng)域：