十大分类算法
1、引言
小屌丝：鱼哥，分类算法都有哪些？
小鱼：也就那几种了
小屌丝：哪几种啊？
小鱼：逻辑归回、决策树、随机森林、支持向量机…你问这个干嘛
小屌丝：我想捋一捋，哪些是分类算法
小鱼：我在【机器学习&深度学习】专栏已经写过了啊
小屌丝：那不是一篇只能学习一个技能嘛
小鱼：那你想咋的？
小屌丝：我想一篇学习多个技能。
小鱼：我… 的乖乖， 你真是个…~~
小屌丝： 别这么夸，我会不好意思的
小鱼：… 算了，我还是整理一下思路，写文章吧
小屌丝：可以可以。
2、分类算法总结
2.1 逻辑回归
2.1.1 核心原理
逻辑回归是用于二分类问题的统计方法，它通过将数据输入的线性组合通过逻辑函数（通常是Sigmoid函数）映射到0和1之间，从而预测概率。
2.1.2 算法公式
逻辑回归的核心公式为
P
(
Y
=
1
)
=
1
1
+
e
−
(
β
0
+
β
1
X
1
+
.
.
.
+
β
n
X
n
)
P(Y=1) = \frac{1}{1 + e^{-(\beta_0 + \beta_1X_1 + ... + \beta_nX_n)}}
P(Y=1)=1+e−(β0+β1X1+...+βnXn)1，
其中
P
(
Y
=
1
)
P(Y=1)
P(Y=1)是给定X时Y=1的概率。
敲黑板：
2.1.3 代码实例
代码实例
# -*- coding:utf-8 -*-
# @Time : 2024-04-03
# @Author : Carl_DJ
from sklearn.linear_model import LogisticRegression
from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
# 加载数据
iris = load_iris()
X = iris.data
y = iris.target
# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2)
# 创建逻辑回归模型并训练
model = LogisticRegression(max_iter=200)
model.fit(X_train, y_train)
# 进行预测
predictions = model.predict(X_test)
print(predictions)
2.2 决策树
2.2.1 核心原理
决策树通过递归地选择最优特征，并根据该特征的不同取值对数据进行分割，每个分割为一个树的分支，直到满足停止条件。
敲黑板：
2.2. 代码实例
代码实例
# -*- coding:utf-8 -*-
# @Time : 2024-04-03
# @Author : Carl_DJ
from sklearn.tree import DecisionTreeClassifier
from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
# 加载数据
iris = load_iris()
X = iris.data
y = iris.target
# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2)
# 创建决策树模型并训练
model = DecisionTreeClassifier()
model.fit(X_train, y_train)
# 进行预测
predictions = model.predict(X_test)
print(predictions)
2.3 随机森林
2.3.1 核心原理
随机森林是一种集成学习方法，它构建多个决策树并将它们的预测结果进行投票或平均，以提高预测的准确性和稳定性。
敲黑板：
2.3.2 代码实例
代码实例
# -*- coding:utf-8 -*-
# @Time : 2024-04-03
# @Author : Carl_DJ
from sklearn.ensemble import RandomForestClassifier
from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
# 加载数据
iris = load_iris()
X = iris.data
y = iris.target
# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2)
# 创建随机森林模型并训练
model = RandomForestClassifier()
model.fit(X_train, y_train)
# 进行预测
predictions = model.predict(X_test)
print(predictions)
2.4 支持向量机
2.4.1 核心原理
SVM通过找到一个超平面来最大化不同类别之间的边界距离，以达到分类目的。
对于线性不可分的数据，SVM使用核技巧映射到更高维度空间中实现分离。
敲黑板：
2.4.2 算法公式
SVM的目标是最小化 ∣ ∣ w ∣ ∣ 2 + C ∑ i = 1 n ξ i ||w||^2 + C\sum_{i=1}^{n}\xi_i ∣∣w∣∣2+C∑i=1nξi，其中C是正则化参数， ξ i \xi_i ξi是松弛变量。
2.4.3 代码实例
代码实例
# -*- coding:utf-8 -*-
# @Time : 2024-04-03
# @Author : Carl_DJ
from sklearn.svm import SVC
from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
# 加载数据
iris = load_iris()
X = iris.data
y = iris.target
# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2)
# 创建SVM模型并训练
model = SVC()
model.fit(X_train, y_train)
# 进行预测
predictions = model.predict(X_test)
print(predictions)
2.5 朴素贝叶斯
2.5.1 核心原理
朴素贝叶斯基于贝叶斯定理，假设特征之间相互独立。
它通过计算给定特征下每个类别的条件概率来进行分类。
2.5.2 算法公式
P ( Y ∣ X ) = P ( X ∣ Y ) P ( Y ) P ( X ) P(Y|X) = \frac{P(X|Y)P(Y)}{P(X)} P(Y∣X)=P(X)P(X∣Y)P(Y)，其中 P ( Y ∣ X ) P(Y|X) P(Y∣X)是给定特征X下类别Y的条件概率。
2.5.3 代码实例
# -*- coding:utf-8 -*-
# @Time : 2024-01-21
# @Author : Carl_DJ
from sklearn.naive_bayes import GaussianNB
from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
# 加载数据
iris = load_iris()
X = iris.data
y = iris.target
# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2)
# 创建朴素贝叶斯模型并训练
model = GaussianNB()
model.fit(X_train, y_train)
# 进行预测
predictions = model.predict(X_test)
print(predictions)
3、总结
以上介绍的五种机器学习分类算法各有特点和应用场景，如：
- 逻辑回归和朴素贝叶斯适用于小规模数据集，
- 决策树和随机森林适用于处理复杂的非线性关系，
- SVM适用于高维数据的分类问题。
选择合适的算法取决于具体问题、数据集的特性以及预期的性能要求。
掌握这些算法的原理和使用方法，可以有效提升机器学习项目的开发效率和效果。
敲黑板：
我是小鱼：
- CSDN 博客专家；
- 阿里云 专家博主；
- 51CTO博客专家；
- 企业认证金牌面试官；
- 多个名企认证&特邀讲师等；
- 名企签约职场面试培训、职场规划师；
- 多个国内主流技术社区的认证专家博主；
- 多款主流产品(阿里云等)测评一、二等奖获得者；
关注小鱼，学习【机器学习】&【深度学习】领域的知识。
