图解机器学习算法

有监督 分类：逻辑回归，支持向量机，朴素贝叶斯，随机森林，神经网络，KNN 回归：线性回归，正则化，支持向量机，随机森林，神经网络，KNN（k近邻） 无监督：PDA LSANMFLDA kmeans 混合高斯分布 强化学习是以在某个环境下行动的智能体获得的奖励最大化为目标而进行学习的方法。 逻辑回归是一种用于有监督学习的分类任务的简单算法。虽然算法的名字中包含“回归”二字，但其实它是用于分类问题的算法。逻辑回归通过计算数据属于各类别的概率来进行分类。 逻辑回归的输出范围必须限制在 0 和 1 之间。逻辑回归使用 Sigmoid 函数，返回 0 和 1 之间的数值。 线性支持向量机通过最大化间隔来获得更好的用于分类的决策边界。 我们将间隔上的数据和间隔内侧的数据特殊对待，称为支持向量。支持向量是确定决策边界的重要数据。间隔外侧的数据则不会影响决策边界的形状。 朴素贝叶斯是一个基于概率进行预测的算法，在实践中被用于分类问题。具体来说，就是计算数据为某个标签的概率，并将其分类为概率值最大的标签。朴素贝叶斯主要用于文本分类和垃圾邮件判定等自然语言处理中的分类问题。 随机森林的目标是利用多个决策树模型，获得比单个决策树更高的预测精度。 我们将其中的特征值的系数和称为权重，将常数项 称为偏置。权重和偏置都是学习参数。非线性函数叫作激活函数，它以加权后的特征值之和作为输入，计算概率。常用的激活函数有 Sigmoid 函数等。

这本书非常简要地介绍了机器学习中的两类算法：有监督学习和无监督学习。有监督学习算法对于分类和回归问题都有涉及，无监督学习主要侧重于降维。主要的机器学习算法都涉及到了，同时非常的简洁、直击要害。缺点是因为很少涉及数学，所以从单纯的描述上来看，对于一些算法还是没能做到非常明白易懂。 有些算法我之前看过，但是很长时间不看也不用，就忘记了。但是看了这本书的介绍，仍然是一头雾水。但是如果是学过不久的人看了，恐怕是一个很好的回顾材料。算法的基本思想和优缺点都讲到了，而且这本书并非长篇大论，非常简短。 这本书是一个机器学习很好的参考资料。对于初学者而言，可以不必每一句话都看懂，读过一遍，粗通大概。可以作为深入其他教材的垫脚石。对于中学生和其他专业的学生非常友好。对于机器学习的从业者而言，这本书准确简要又是一种很好的回顾材料，可供业余时候阅读，并不像有些书满篇的数学和代码，让人感觉很吃力。

本书书名是图解，不过大多数算法并不能从图里了解，还是依赖于作者文字介绍。 文字介绍的基本都很简单，对于不熟悉的算法，简短的文字看完之后印象不深，有些知其然不知其所以然。 如果想通过这本书轻松快速学习机器学习，并不是一个很好的idea，如果对机器学习有了一定的了解，通过这本书进行查缺补漏也不推荐。

五星推荐，确实深入浅出，言之有物，可以作为科普入门

虽说是图解，但通篇没有几个图，这个很适合有一定基础的人做参考

随机森林（Random Forest）是一种机器学习算法，它是基于决策树的集成学习方法。随机森林通过在训练数据集中随机选择样本，并构建多个决策树，然后将这些决策树的预测结果进行平均，从而得到最终的预测结果。 随机森林的优点包括： 1. 可以处理高维度数据，不需要进行特征选择。 2. 具有很好的泛化能力，可以处理噪声数据和缺失值。 3. 可以用于分类和回归问题。 4. 可以通过调整参数来控制模型的复杂度和精度。 随机森林的缺点包括： 1. 对于小数据集，可能会出现过拟合的情况。 2. 对于一些特殊类型的数据，如连续变量，可能需要进行额外的处理。 随机森林是一种常用的机器学习算法，在许多领域都有广泛的应用，如数据挖掘、机器学习、计算机视觉等。 LightGBM 是一种基于梯度提升框架的机器学习算法，它是对梯度提升决策树（Gradient Boosting Decision Tree，GBDT）算法的一种优化和改进。 LightGBM 算法通过使用直方图算法和单边梯度下降算法，减少了计算复杂度和内存使用，从而提高了算法的效率和准确性。此外，LightGBM 还支持并行计算，可以在多台机器上进行分布式训练，进一步提高了算法的效率。 LightGBM 算法在数据挖掘、机器学习、计算机视觉等领域都有广泛的应用，尤其在处理大规模数据集时表现出色。

这本书，可以当他是一本相关领域的导读。通过它，了解相关领域的基本概念。然后再读其他书，对感兴趣的和需要深入的部分进行研究。 这里，推荐一下《机器学习实战：基于Scikit-Learn、Keras和TensorFlow（原书第3版）》​​。 这本书由奥雷利安·杰龙（Aurélien Géron）撰写，内容涵盖机器学习基础算法（基于Scikit-Learn）和深度学习（基于TensorFlow/Keras），理论与实战结合，适合不同层次的学习者和工程师。

如果想要简单了解机器学习，但是暂时看不下去那些动辄20万字起步的书，这本短篇幅的小书可以作为备选。 不过既然主打简短，我觉得第五章环境搭建部分可以移除，然后把第四章中的数据处理部分摘出来（并丰富内容）作第二章，这样结构上更契合机器学习的“数据-模型-训练-评估”流程。

图这几张图干嘛？还是去B站看吴恩达的机器学习教程视频吧。

通俗易懂，直接看很多万字的机器学习书很难看进去也晦涩难懂，这个虽然偏科普但能看进去