机器学习中有哪几种分类方法？
网友回复
这些属于数据挖掘分类算法，有以下几种：
分类算法属于一种有监督的学习。
分类算法的分类过程就是建立一种分类模型来描述预定的数据集或概念集，通过分析由属性描述的数据库元组来构造模型。分类的目的就是使用分类对新的数据集进行划分，其主要涉及分类规则的准确性、过拟合、矛盾划分的取舍等。
常用的分类算法包括：NBC（Naive Bayesian Classifier，朴素贝叶斯分类）算法、LR（Logistic Regress，逻辑回归）算法、ID3（Iterative Dichotomiser 3 迭代二叉树3 代）决策树算法、C4.5 决策树算法、C5.0 决策树算法、SVM（Support Vector Machine，支持向量机）算法、KNN(K-Nearest Neighbor，K 最近邻近)算法、ANN（Artificial Neural Network，人工神经网络）算法等。 NBC算法
NBC 模型发源于古典数学理论，有着坚实的数学基础。该算法是基于条件独立性假设的一种算法，当条件独立性假设成立时，利用贝叶斯公式计算出其后验概率，即该对象属于某一类的概率，选择具有最大后验概率的类作为该对象所属的类。
NBC算法的优点 NBC算法逻辑简单，易于实现； NBC算法所需估计的参数很少； NBC 算法对缺失数据不太敏感； NBC 算法具有较小的误差分类率； NBC 算法性能稳定，健壮性比较好； NBC算法的缺点
1.在属性个数比较多或者属性之间相关性较大时，NBC 模型的分类效果相对较差； 2.算法是基于条件独立性假设的，在实际应用中很难成立，故会影响分类效果 LR算法
LR 回归是当前业界比较常用的机器学习方法，用于估计某种事物的可能性。它与多元线性回归同属一个家族，即广义线性模型。简单来说多元线性回归是直接将特征值和其对应的概率进行相乘得到一个结果，逻辑回归则是在这样的结果上加上一个逻辑函数。在此选择LR 作为回归分析模型的代表进行介绍。 LR算法的优点 1.对数据中小噪声的鲁棒性好； 2.LR 算法已被广泛应用于工业问题中； 3.多重共线性并不是问题，它可结合正则化来解决。 LR算法的缺点
1.对于非线性特征，需要转换 2.当特征空间很大时，LR的性能并不是太好 SVM算法
SVM 算法是建立在统计学习理论基础上的机器学习方法，为十大数据挖掘算法之一。通过学习算法，SVM 可以自动寻找出对分类有较好区分能力的支持向量，由此构造出的分类器可以最大化类与类的间隔，因而有较好的适应能力和较高的分准率。...
点击查看剩余70%
