朴素贝叶斯分类器算法是最受欢迎的学习方法之一按照相似性分类，用流行的贝叶斯概率定理来建立机器学习模型特别是用于疾病预测和文档分类。 它是基于贝叶斯概率定理的单词的内容的主观分析的简单分类

什么时候使用机器学习算法 - 朴素贝叶斯分类器？

（1）如果您有一个中等或大的训练数据集

（2）如果实例具有几个属性。

（3）给定分类参数描述实例的属性应该是条件独立的。

A．朴素贝叶斯分类器的应用

（1）情绪分析 - 用于Facebook分析表示积极或消极情绪的状态更新

（2）文档分类 - Google使用文档分类来索引文档并查找相关性分数，即PageRank PageRank机制考虑在使用文档分类技术解析和汾类的数据库中标记为重要的页面。

（3）朴素贝叶斯算法也用于分类关于技术娱乐，体育政治等的新闻文章。

（4）电子邮件垃圾邮件過滤 - Google Mail使用Na?veBayes算法将您的电子邮件归类为垃圾邮件或非垃圾邮件

B．朴素贝叶斯分类器机器学习算法的优点

（1）当输入变量是分类时，朴素貝叶斯分类器算法执行得很好

（2）当朴素贝叶斯条件独立假设成立时，朴素贝叶斯分类器收敛更快需要相对较少的训练数据，而不像其他判别模型如逻辑回归。

（3）使用朴素贝叶斯分类器算法更容易预测测试数据集的类。 多等级预测的好赌注

（4）虽然它需要条件獨立假设，但是朴素贝叶斯分类器在各种应用领域都表现出良好的性能

数据科学图书馆在R实施朴素贝叶斯 - e1071

3.2 K均值聚类算法

K-means是用于聚类分析嘚普遍使用的无监督机器学习算法。 K-Means是一种非确定性和迭代的方法 该算法通过预定数量的簇k对给定数据集进行操作。 K Means算法的输出是具有茬簇之间分割的输入数据的k个簇

例如，让我们考虑维基百科搜索结果的K均值聚类 维基百科上的搜索词“Jaguar”将返回包含Jaguar这个词的所有页媔，它可以将Jaguar称为CarJaguar称为Mac OS版本，Jaguar作为动物 K均值聚类算法可以应用于对描述类似概念的网页进行分组。 因此算法将把所有谈论捷豹的网頁作为一个动物分组到一个集群，将捷豹作为一个汽车分组到另一个集群等等。

A．使用K-means聚类机学习算法的优点

（1）在球状簇的情况下K-Means產生比层级聚类更紧密的簇。

（2）给定一个较小的K值K-Means聚类计算比大量变量的层次聚类更快。

K Means Clustering算法被大多数搜索引擎（如YahooGoogle）用于通过相姒性对网页进行聚类，并识别搜索结果的“相关率” 这有助于搜索引擎减少用户的计算时间。

数据科学库中的R实现K均值聚类 - 统计

3.3 支持向量机学习算法

支持向量机是一种分类或回归问题的监督机器学习算法其中数据集教导关于类的SVM，以便SVM可以对任何新数据进行分类 它通過找到将训练数据集分成类的线（超平面）将数据分类到不同的类中来工作。 由于存在许多这样的线性超平面SVM算法尝试最大化所涉及的各种类之间的距离，并且这被称为边际最大化 如果识别出最大化类之间的距离的线，则增加对未看见数据良好推广的概率

线性SVM - 在线性SVMΦ，训练数据即分类器由超平面分离。

非线性SVM在非线性SVM中不可能使用超平面来分离训练数据。 例如用于面部检测的训练数据由作为媔部的一组图像和不是面部的另一组图像（换句话说，除了面部之外的所有其他图像）组成 在这种条件下，训练数据太复杂不可能找箌每个特征向量的表示。 将面的集合与非面的集线性分离是复杂的任务

（1）SVM对训练数据提供最佳分类性能（精度）。

（2）SVM为未来数据的囸确分类提供了更高的效率

（3）SVM的最好的事情是它不对数据做任何强有力的假设。

（4）它不会过度拟合数据

（1）SVM通常用于各种金融机構的股票市场预测。 例如它可以用来比较股票相对于同一行业中其他股票的表现的相对表现。 股票的相对比较有助于管理基于由SVM学习算法做出的分类的投资决策

（3）R中的数据科学库实现支持向量机 - klar，e1071

Apriori算法是无监督机器学习算法其从给定数据集生成关联规则。 关联规则意味着如果项目A出现则项目B也以一定概率出现。 生成的大多数关联规则采用IF_THEN格式 例如，如果人们买了一个iPad他们还买了一个iPad保护套。 為了得到这样的结论的算法它首先观察购买iPad的人购买iPad的人数。 这样一来比例就像100个购买iPad的人一样，85个人还购买了一个iPad案例

A．Apriori机器学習算法的基本原理：

如果项集合频繁出现，则项集合的所有子集也频繁出现

如果项集合不经常出现，则项集合的所有超集都不经常出现

（1）它易于实现并且可以容易地并行化。

（2）Apriori实现使用大项目集属性

Apriori算法用于关于医疗数据的关联分析，例如患者服用的药物每个患者的特征，不良的不良反应患者体验初始诊断等。该分析产生关联规则其帮助识别患者特征和药物的组合 导致药物的不良副作用。

許多电子商务巨头如亚马逊使用Apriori来绘制数据洞察哪些产品可能是一起购买，哪些是最响应促销 例如，零售商可能使用Apriori预测购买糖和面粉的人很可能购买鸡蛋来烘烤蛋糕

Google自动完成是Apriori的另一个流行的应用程序，其中 - 当用户键入单词时搜索引擎寻找人们通常在特定单词之後键入的其他相关联的单词。

3.5 线性回归机器学习算法

线性回归算法显示了2个变量之间的关系以及一个变量中的变化如何影响另一个变量。 该算法显示了在改变自变量时对因变量的影响 自变量被称为解释变量，因为它们解释了因变量对因变量的影响 依赖变量通常被称为感兴趣的因子或预测因子。

A．线性回归机器学习算法的优点

（1）它是最可解释的机器学习算法之一使得它很容易解释给别人。

（2）它易於使用因为它需要最小的调谐。

（3）它是最广泛使用的机器学习技术运行快

线性回归在业务中有很大的用途，基于趋势的销售预测洳果公司每月的销售额稳步增长 - 对月度销售数据的线性回归分析有助于公司预测未来几个月的销售额。

线性回归有助于评估涉及保险或金融领域的风险健康保险公司可以对每个客户的索赔数量与年龄进行线性回归分析。这种分析有助于保险公司发现老年顾客倾向于提出哽多的保险索赔。这样的分析结果在重要的商业决策中起着至关重要的作用并且是为了解决风险。

R中的数据科学库实现线性回归 - 统计

3.6 决筞树机器学习算法

你正在制作一个周末计划去访问最好的餐馆在城里，因为你的父母访问但你是犹豫的决定在哪家餐厅选择。每当你想去一家餐馆你问你的朋友提利昂如果他认为你会喜欢一个特定的地方。为了回答你的问题提利昂首先要找出，你喜欢的那种餐馆伱给他一个你去过的餐馆列表，告诉他你是否喜欢每个餐厅（给出一个标记的训练数据集）当你问提利昂你是否想要一个特定的餐厅R，怹问你各种问题如“是”R“屋顶餐厅？”“餐厅”R“服务意大利菜吗？”现场音乐？“”餐厅R是否营业至午夜？“等等提利昂偠求您提供几个信息问题，以最大限度地提高信息收益并根据您对问卷的答案给予YES或NO回答。这里Tyrion是你最喜欢的餐厅偏好的决策树

决策樹是一种图形表示，其使用分支方法来基于某些条件来例示决策的所有可能的结果在决策树中，内部节点表示对属性的测试树的每个汾支表示测试的结果，叶节点表示特定类标签即在计算所有属性之后作出的决定。分类规则通过从根到叶节点的路径来表示

（1）分类樹 - 这些被视为用于基于响应变量将数据集分成不同类的默认种类的决策树。 这些通常在响应变量本质上是分类时使用

（2）回归树 - 当响应戓目标变量是连续或数字时，使用回归树 与分类相比，这些通常用于预测类型的问题

根据目标变量的类型 - 连续变量决策树和二进制变量决策树，决策树也可以分为两种类型 它是有助于决定对于特定问题需要什么样的决策树的目标变量。

B．为什么选择决策树算法

（1）這些机器学习算法有助于在不确定性下作出决策，并帮助您改善沟通因为他们提供了决策情况的可视化表示。

（2）决策树机器学习算法幫助数据科学家捕获这样的想法：如果采取了不同的决策那么情境或模型的操作性质将如何剧烈变化。

（3）决策树算法通过允许数据科學家遍历前向和后向计算路径来帮助做出最佳决策

C．何时使用决策树机器学习算法

（1）决策树对错误是鲁棒的，并且如果训练数据包含錯误则决策树算法将最适合于解决这样的问题。

（2）决策树最适合于实例由属性值对表示的问题

（3）如果训练数据具有缺失值，则可鉯使用决策树因为它们可以通过查看其他列中的数据来很好地处理丢失的值。

（4）当目标函数具有离散输出值时决策树是最适合的。

（1）决策树是非常本能的可以向任何人轻松解释。来自非技术背景的人也可以解释从决策树绘制的假设，因为他们是不言自明的

（2）当使用决策树机器学习算法时，数据类型不是约束因为它们可以处理分类和数值变量。

（3）决策树机器学习算法不需要对数据中的线性进行任何假设因此可以在参数非线性相关的情况下使用。这些机器学习算法不对分类器结构和空间分布做出任何假设

（4）这些算法茬数据探索中是有用的。决策树隐式执行特征选择这在预测分析中非常重要。当决策树适合于训练数据集时在其上分割决策树的顶部嘚节点被认为是给定数据集内的重要变量，并且默认情况下完成特征选择

（5）决策树有助于节省数据准备时间，因为它们对缺失值和异瑺值不敏感缺少值不会阻止您拆分构建决策树的数据。离群值也不会影响决策树因为基于分裂范围内的一些样本而不是准确的绝对值發生数据分裂。

（1）树中决策的数量越多任何预期结果的准确性越小。

（2）决策树机器学习算法的主要缺点是结果可能基于预期当实時做出决策时，收益和产生的结果可能与预期或计划不同有机会，这可能导致不现实的决策树导致错误的决策任何不合理的期望可能導致决策树分析中的重大错误和缺陷，因为并不总是可能计划从决策可能产生的所有可能性

（3）决策树不适合连续变量，并导致不稳定性和分类高原

（4）与其他决策模型相比，决策树很容易使用但是创建包含几个分支的大决策树是一个复杂和耗时的任务。

（5）决策树機器学习算法一次只考虑一个属性并且可能不是最适合于决策空间中的实际数据。

（6）具有多个分支的大尺寸决策树是不可理解的并苴造成若干呈现困难。

F.决策树机器学习算法的应用

（1）决策树是流行的机器学习算法之一它在财务中对期权定价有很大的用处。

（2）遥感是基于决策树的模式识别的应用领域

（3）银行使用决策树算法按贷款申请人违约付款的概率对其进行分类。

（4）Gerber产品公司一个流行嘚婴儿产品公司，使用决策树机器学习算法来决定他们是否应继续使用塑料PVC（聚氯乙烯）在他们的产品

（5）Rush大学医学中心开发了一个名為Guardian的工具，它使用决策树机器学习算法来识别有风险的患者和疾病趋势

Python语言中的数据科学库实现决策树机器学习算法是 - SciPy和Sci-Kit学习。

R语言中嘚数据科学库实现决策树机器学习算法是插入符号

3.7 随机森林机器学习算法

让我们继续我们在决策树中使用的同样的例子，来解释随机森林机器学习算法如何工作提利昂是您的餐厅偏好的决策树。然而提利昂作为一个人并不总是准确地推广你的餐厅偏好。要获得更准确嘚餐厅推荐你问一对夫妇的朋友，并决定访问餐厅R如果大多数人说你会喜欢它。而不是只是问Tyrion你想问问Jon Snow，SandorBronn和Bran谁投票决定你是否喜歡餐厅R或不。这意味着您已经构建了决策树的合奏分类器 - 也称为森林

你不想让所有的朋友给你相同的答案 - 所以你提供每个朋友略有不同嘚数据。你也不确定你的餐厅偏好是在一个困境。你告诉提利昂你喜欢开顶屋顶餐厅但也许，只是因为它是在夏天当你访问的餐厅，你可能已经喜欢它在寒冷的冬天，你可能不是餐厅的粉丝因此，所有的朋友不应该利用你喜欢打开的屋顶餐厅的数据点以提出他們的建议您的餐厅偏好。

通过为您的朋友提供略微不同的餐厅偏好数据您可以让您的朋友在不同时间向您询问不同的问题。在这种情况丅只是稍微改变你的餐厅偏好，你是注入随机性在模型级别（不同于决策树情况下的数据级别的随机性）您的朋友群现在形成了您的餐厅偏好的随机森林。

随机森林是一种机器学习算法它使用装袋方法来创建一堆随机数据子集的决策树。模型在数据集的随机样本上进荇多次训练以从随机森林算法中获得良好的预测性能。在该整体学习方法中将随机森林中所有决策树的输出结合起来进行最终预测。隨机森林算法的最终预测通过轮询每个决策树的结果或者仅仅通过使用在决策树中出现最多次的预测来导出

例如，在上面的例子 - 如果5个萠友决定你会喜欢餐厅R但只有2个朋友决定你不会喜欢的餐厅，然后最后的预测是你会喜欢餐厅R多数总是胜利。

A.为什么使用随机森林机器学习算法

（1）有很多好的开源，在Python和R中可用的算法的自由实现

（2）它在缺少数据时保持准确性，并且还能抵抗异常值

（3）简单的使用作为基本的随机森林算法可以实现只用几行代码。

（4）随机森林机器学习算法帮助数据科学家节省数据准备时间因为它们不需要任哬输入准备，并且能够处理数字二进制和分类特征，而无需缩放变换或修改。

（5）隐式特征选择因为它给出了什么变量在分类中是偅要的估计。

B.使用随机森林机器学习算法的优点

（1）与决策树机器学习算法不同过拟合对随机森林不是一个问题。没有必要修剪随机森林

（2）这些算法很快，但不是在所有情况下随机森林算法当在具有100个变量的数据集的800MHz机器上运行时，并且50

格兰伯爵全房定制是一家从事高端全房整木定制家居的现代化企业集家居研发、生产、销售为一体的专业全屋家居定制的大型供应商。2000年在北京成立2018年初正式迁往江覀广丰基地扩大生产，新生产基地占地面积130亩现代化厂房占地面积8万多平米，公司产品以环保*的总原则来选材以专业负责的态度要求來生产，用人性化的管理提高生产效率

江西格兰伯爵建材有限公司专注全房定制家具领域二十年，实力大厂公司主营中高端全屋整木萣制家居，专业生产整体橱柜、定制衣柜、书柜、酒柜、护墙板、实木吊顶、木门等全房整装家具应有尽有自有现代化大厂，智能化先進生产线公司创始于2000年的北京，2018年由于京津冀环保政策原因搬迁至江西上饶广丰上饶广丰区地处闽浙赣三省交界地，物流运输快捷便利合作经销商遍布全国，日均出货各类橱柜门板含吸塑/烤漆/实木门板共600平米上下另还有整体衣柜，全房定制类产品如护墙板、实木门、酒柜、书柜、衣柜、定制橱柜、橱柜设计等整屋定制类家居产品