1. 決策樹

根據一些 feature 進行分類，每個節點提一個問題，通過判斷，将數據分為兩類，再繼續提問。這些問題是根據已有數據學習出來的，再投入新數據的時候，就可以根據這棵樹上的問題，将數據劃分到合适的葉子上。

如果你覺得這篇文章看起來稍微還有些吃力，或者想要更系統地學習人工智能，那麼推薦你去看床長人工智能教程。非常棒的大神之作，教程不僅通俗易懂，而且很風趣幽默。點擊這裡可以查看教程。

2. 随機森林

在源數據中随機選取數據，組成幾個子集

S 矩陣是源數據，有 1-N 條數據，A B C 是feature，最後一列C是類别

由 S 随機生成 M 個子矩陣

這 M 個子集得到 M 個決策樹

将新數據投入到這 M 個樹中，得到 M 個分類結果，計數看預測成哪一類的數目最多，就将此類别作為最後的預測結果

3. 邏輯回歸

當預測目标是概率這樣的，值域需要滿足大于等于0，小于等于1的，這個時候單純的線性模型是做不到的，因為在定義域不在某個範圍之内時，值域也超出了規定區間。

所以此時需要這樣的形狀的模型會比較好

那麼怎麼得到這樣的模型呢？

這個模型需要滿足兩個條件 大于等于0，小于等于1

大于等于0 的模型可以選擇 絕對值，平方值，這裡用 指數函數，一定大于0

小于等于1 用除法，分子是自己，分母是自身加上1，那一定是小于1的了

再做一下變形，就得到了 logistic regression 模型

通過源數據計算可以得到相應的系數了

最後得到 logistic 的圖形

4. SVM

support vector machine

要将兩類分開，想要得到一個超平面，最優的超平面是到兩類的 margin 達到最大，margin就是超平面與離它最近一點的距離，如下圖，Z2>Z1，所以綠色的超平面比較好

将這個超平面表示成一個線性方程，在線上方的一類，都大于等于1，另一類小于等于－1

點到面的距離根據圖中的公式計算

所以得到 total margin 的表達式如下，目标是最大化這個 margin，就需要最小化分母，于是變成了一個優化問題

舉個栗子，三個點，找到最優的超平面，定義了 weight vector＝（2，3）－（1，1）

得到 weight vector 為（a，2a），将兩個點代入方程，代入（2，3）另其值＝1，代入（1，1）另其值＝-1，求解出 a 和 截矩 w0 的值，進而得到超平面的表達式。

a 求出來後，代入（a，2a）得到的就是 support vector

a 和 w0 代入超平面的方程就是 support vector machine

5. 樸素貝葉斯

舉個在 NLP 的應用

給一段文字，返回情感分類，這段文字的态度是positive，還是negative

為了解決這個問題，可以隻看其中的一些單詞

這段文字，将僅由一些單詞和它們的計數代表

原始問題是：給你一句話，它屬于哪一類

通過 bayes rules 變成一個比較簡單容易求得的問題

問題變成，這一類中這句話出現的概率是多少，當然，别忘了公式裡的另外兩個概率

栗子：單詞 love 在 positive 的情況下出現的概率是 0.1，在 negative 的情況下出現的概率是 0.001

6. K最近鄰

k nearest neighbours

給一個新的數據時，離它最近的 k 個點中，哪個類别多，這個數據就屬于哪一類

栗子：要區分 貓 和 狗，通過 claws 和 sound 兩個feature來判斷的話，圓形和三角形是已知分類的了，那麼這個 star 代表的是哪一類呢

k＝3時，這三條線鍊接的點就是最近的三個點，那麼圓形多一些，所以這個star就是屬于貓

7. K均值

想要将一組數據，分為三類，粉色數值大，黃色數值小

最開心先初始化，這裡面選了最簡單的 3，2，1 作為各類的初始值

剩下的數據裡，每個都與三個初始值計算距離，然後歸類到離它最近的初始值所在類别

分好類後，計算每一類的平均值，作為新一輪的中心點

幾輪之後，分組不再變化了，就可以停止了

8. Adaboost

adaboost 是 bosting 的方法之一

bosting就是把若幹個分類效果并不好的分類器綜合起來考慮，會得到一個效果比較好的分類器。

下圖，左右兩個決策樹，單個看是效果不怎麼好的，但是把同樣的數據投入進去，把兩個結果加起來考慮，就會增加可信度

adaboost 的栗子，手寫識别中，在畫闆上可以抓取到很多 features，例如 始點的方向，始點和終點的距離等等

training 的時候，會得到每個 feature 的 weight，例如 2 和 3 的開頭部分很像，這個 feature 對分類起到的作用很小，它的權重也就會較小

而這個 alpha 角 就具有很強的識别性，這個 feature 的權重就會較大，最後的預測結果是綜合考慮這些 feature 的結果

9. 神經網絡

Neural Networks 适合一個input可能落入至少兩個類别裡

NN 由若幹層神經元，和它們之間的聯系組成

第一層是 input 層，最後一層是 output 層

在 hidden 層 和 output 層都有自己的 classifier

input 輸入到網絡中，被激活，計算的分數被傳遞到下一層，激活後面的神經層，最後output 層的節點上的分數代表屬于各類的分數，下圖例子得到分類結果為 class 1

同樣的 input 被傳輸到不同的節點上，之所以會得到不同的結果是因為各自節點有不同的weights 和 bias

這也就是 forward propagation

10. 馬爾可夫

Markov Chains 由 state 和 transitions 組成

栗子，根據這一句話 ‘the quick brown fox jumps over the lazy dog’，要得到 markov chain

步驟，先給每一個單詞設定成一個狀态，然後計算狀态間轉換的概率

這是一句話計算出來的概率，當你用大量文本去做統計的時候，會得到更大的狀态轉移矩陣，例如 the 後面可以連接的單詞，及相應的概率

生活中，鍵盤輸入法的備選結果也是一樣的原理，模型會更高級

更多精彩资讯请关注tft每日頭條，我们将持续为您更新最新资讯!