查看“机器学习算法种类”的源代码

====== 机器学习算法种类 ======
* 监督机器学习算法用于进行预测。此外，该算法搜索分配给数据点的值标签内的模式。
* 无监督机器学习算法：没有标签与数据点相关联。这些ML算法将数据组织成一组簇。此外，它需要描述其结构，使复杂的数据看起来简单，有条理，便于分析。
* 增强机器学习算法：我们使用这些算法来选择动作。此外，我们可以看到它基于每个数据点。一段时间后，算法改变其策略以更好地学习。

==== Find-S算法 ====
　　最简单的机器学习算法。机器可以从概念中学习，通过处理旧数据/训练数据，找出对象是否属于特定类别，最终找出与训练实例拟合度最高的假设。

　　概念学习的最终目标是确定一个与目标概念 C 在实例集 X 上相同的假设 H，并且唯一可用的信息是 C 在 X 上的值。我们的算法可以确保它与训练数据相匹配。

　　训练数据集 -> 机器学习算法 -fit-> 模型 输入样例 -> 模型 -predict-> 输出结果
* 训练数据（通过过去的经验来训练我们的模型）
* 目标概念（通过假设来辨别数据对象）
* 实际数据对象（用于测试模型）
　　Find-S 算法的第一步是从最具体的假设开始，通过观察数据实例（训练），更新/调整当前的假设。

　　不足和缺点：
* 没有办法确定最终假设（Find-S 找出的）是否是唯一一个与数据一致 (consistent) 的假设。
* 不一致 (inconsistent) 的训练实例会误导 Find-S 算法，因为它忽略了 “负” 数据实例。一个能检测训练数据不一致的算法是更好的选择。
* 一个好的概念学习算法应该能够回溯对找到的假设的选择，以便能够逐步改进所得到的假设。但不幸的是，Find-S 不能提供这样的方法。

　　一些局限性可以通过候选删除算法 (candidate elimination algorithm)克服。

==== 决策树算法（Decision trees） ====


==== 随机森林算法（Random forests） ====


==== 人工神经网络 ====