Hello~大家好，由于機(jī)器學(xué)習(xí)涉及到很多領(lǐng)域的知識要點，所以同學(xué)們學(xué)習(xí)起來多少可能會遇到一些困難，這個問題似乎很常見，今天學(xué)姐為大家簡單的介紹一下機(jī)器學(xué)習(xí)專業(yè)的簡單知識點。

線性判別分析

最簡單的分類方法之一是線性判別分析?；舅枷胧莿?chuàng)建一組線性函數(shù)來“決定”如何對特定對象進(jìn)行分類。

iris.train %3C- iris[seq(1，nrow(iris)，5)，]iris.unknown %3C- iris[-seq(1，nrow(iris)，5)，]library(MASS)iris . LDA % 3C-LDA(Species ~)。，data = iris . train)iris . predicted % 3C-predict(iris . LDA，iris.unknown[，1:4])Misclass(iris . predicted $ class，iris.unknown[，5]) # asmisc.r

訓(xùn)練產(chǎn)生的假設(shè)允許幾乎所有的植物(除了七種弗吉尼亞鳶尾)被放入適當(dāng)?shù)慕M。請注意，LDA不需要縮放變量。

可以用推理方法檢查LDA結(jié)果。多維變化分析(MANOVA)允許理解數(shù)據(jù)和模型之間的關(guān)系(從LDA分類):

iris.unknown %3C- iris[-seq(1，nrow(iris)，5)，]ldam %3C-馬諾娃(as.matrix(iris.unknown[，1:4])~ iris . predicted $ class)summary(ldam，test="Wilks ")

這里重要的是基于費希爾統(tǒng)計的p值，也是威爾克斯統(tǒng)計的值概率比(在我們的例子中，組的概率是沒什么不同).

可以使用類似方差分析的技術(shù)來檢查線性判別分析中每個字符的相對重要性:

iris.unknown %3C- iris[-seq(1，nrow(iris)，5)，]summary(aov(as . matrix(iris . unknown[，1:4]) ~ iris.predicted$class))

遞歸分區(qū)

為了取代線性判別分析，發(fā)明了背景思想相似的多種方法。遞歸分區(qū)，或決策樹(回歸樹，分類樹)，允許，除了別的以外，制作和可視化區(qū)分鍵的種類，其中每一步導(dǎo)致將對象分成兩組

種子(空)庫(樹)鳶尾.樹%3C樹(種~)。，數(shù)據(jù)=iris)繪圖(iris.tree)文本(iris.tree)

我們先裝了樹包裝包含樹()函數(shù)(回歸樹是制作分類樹的另一個包)。然后我們再次使用整個數(shù)據(jù)集作為訓(xùn)練數(shù)據(jù)。該圖顯示花瓣長度小于2.45厘米的所有植物都屬于鳶尾，其余花瓣寬度小于1.75厘米，花瓣長度大于4.95厘米的植物I .云芝;所有其他的鳶尾都屬于一.弗吉尼亞。

事實上，這些樹是類似于“層次判別分析”的結(jié)果，并且可以將它們用于監(jiān)督分類:

鳶尾。訓(xùn)練%3C-鳶尾[序列(1，nrow(鳶尾)，5)，]鳶尾。未知%3C-鳶尾[-序列(1，nrow(鳶尾)，5)，]鳶尾。樹2 %3C-樹(種~)。，data=iris.train)iris.tp2 %3C-預(yù)測(iris.tree2，iris.unknown[，-5]，type="class ")庫(MASS)Misclass(iris.tp2，iris.unknown[，5])

以上是關(guān)于機(jī)器學(xué)習(xí)知識概念，大家有沒有從中尋找到屬于自己需要的那一部分知識呢？在這里，學(xué)姐希望每一位海外留學(xué)生都能考試順利，完成自己的全部課程學(xué)習(xí)。