人工智能领域的10大算法

正文

请到「今天看啥」查看全文

逻辑回归

逻辑回归 （Logistic regression） 与线性回归类似， 但逻辑回归的结果只能有两个的值。 如果说线性回归是在预测一个开放的数值，那逻辑回归更像是做一道是或不是的判断题。

逻辑函数中Y值的范围从 0 到 1 ，是一个概率值。逻辑函数通常呈 S 型，曲线把图表分成两块区域，因此适合用于分类任务。

比如上面的逻辑回归曲线图，显示了通过考试的概率与学习时间的关系，可以用来预测是否可以通过考试。

逻辑回归经常被电商或者外卖平台用来预测用户对品类的购买偏好。

3

决策树

如果说线性和逻辑回归都是把任务在一个回合内结束，那么 决策树 （Decision Trees） 就是一个多步走的动作，它同样用于 回归和分类任务中，不过场景通常更复杂且具体 。

举个简单例子，老师面对一个班级的学生，哪些是好学生？如果简单判断考试90分就算好学生好像太粗暴了，不能唯分数论。那面对成绩不到90分的学生，我们可以从作业、出勤、提问等几个方面分开讨论。

以上就是一个决策树的图例，其中每一个有分叉的圈称为节点。 在每个节点上，我们根据可用的特征询问有关数据的问题。 左右分支代表可能的答案。 最终节点（即叶节点）对应于一个预测值。

每个特征的重要性是通过自顶向下方法确定的。节点越高，其属性就越重要。比如在上面例子中的老师就认为出勤率比做作业重要，所以出勤率的节点就更高，当然分数的节点更高。

4

朴素贝叶斯

朴素贝叶斯 （Naive Bayes ）是基于贝叶斯定理，即两个条件关系之间。它测量每个类的概率，每个类的条件概率给出 x 的值。这个算法用于分类问题，得到一个二进制“是 / 非”的结果。看看下面的方程式。

请到「今天看啥」查看全文