一、概念1.1什么是“有监督学习”简单来说有监督学习就是“有标准答案的学习”。我们给机器的训练数据里既要有“问题”特征X又有“标准答案”标签Y。机器通过不断对比自己的预测和正确答案之间的差距逐步学会从X推导出Y的规律。有监督学习包含两类任务分类问题和回归问题。1.2什么是“无监督学习”无监督学习就是“没有标准答案的自主探索”。训练数据里只有“问题”特征X没有任何标签Y。机器根本不知道这些数据是什么只能自己去发现数据内部隐藏的结构和规律。无监督学习的典型任务聚类。聚类就是在没有任何标准答案没有标签的情况下让机器根据数据之间的“相似度”自动把相似的东西归成一个个“小团体”即簇。二、7大算法的归类(1)KNN(分类任务KNeighborsClassifier回归任务KneighborsRegressor看离你最近的K个邻居是啥样分类时投票回归时取平均。监督方式有监督。主要用途是用于分类和回归。(2)线性回归LinearRegression)画一条直线或超平面来拟合数据预测连续数值比如房价。监督方式有监督。主要用途是用于回归。(3)逻辑回归(LogisticRegression)通过概率阈值强行输出“是/否”的离散类别所以本质上是分类算法监督方式有监督。主要用途是用于分类。(4)决策树分类任务from sklearn.tree import DecisionTreeClassifier回归任务from sklearn.tree import DecisionTreeRegressor通过层层“是/否”或“多选”判断把复杂数据逐级拆分成纯净子集最终在叶子节点给出分类或回归结论。监督方式有监督。主要用途是用于分类和回归。(5)随机森林分类任务from sklearn.ensemble import RandomForestClassifier回归任务from sklearn.ensemble import RandomForestRegressor多棵决策树组成的“森林”投票决定最终结果比单棵树更稳定。监督方式有监督。主要用途是用于分类和回归(6)朴素贝叶斯高斯朴素贝叶斯适用于连续特征from sklearn.naive_bayes import GaussianNB多项式朴素贝叶斯适用于文本计数/频次from sklearn.naive_bayes import MultinomialNB伯努利朴素贝叶斯适用于0/1二值特征from sklearn.naive_bayes import BernoulliNB补集朴素贝叶斯处理不平衡数据from sklearn.naive_bayes import ComplementNB根据每个特征出现的概率各自“投票”用贝叶斯定理算出总概率最终把结果判给概率最高的那个类别。监督方式有监督。主要用途是用于分类。(7)K-means(from sklearn.cluster import KMeans)它不做分类也不做回归。在没有标签的情况下自动把数据“分堆”。监督方式无监督。记住算法各有各的优缺点选择适合你的数据和业务场景。