2.3 决策树
[1]基本思想
CART算法:每次通过一个特征，将数据尽可能的分为纯净的两类,递归的分下去
如果全部分开，会过拟合
可视化
2.4 逻辑回归
[1]基本思想
一种解释:
训练:通过一个映射方式,将特征X= (x1, x2)映射成P(y=ck),求使得所有概率之积最大化的映射方式里的参数
预测:计算p(y=ck) 取概率最大的那个类别作为预测对象的分类
2.5 支持向量机
[1]基本思想
以二分类为例，假设数据可用完全分开:
用一个超平面将两类数据完全分开，且最近点到平面的距离最大
2.6 集成方法
2.6.1 随机森林
[1]基本思想
训练集m,有放回的随机抽取m个数据,构成一组，共抽取n组采样集
n组采样集训练得到n个弱分类器弱分类器-般用决策树或神经网络
将n个弱分类器进行组合得到强分类器
方法跟上面一样
2.6.2 Adaboost
[1]基本思想
训练集m,用初始数据权重训练得到第一个弱分类器， 根据误差率计算弱分类器系数，更新数据的权重
使用新的权重训练得到第二个弱分类器，以此类推
根据各自系数，将所有弱分类器加权求和获得强分类器
2.6.3 梯度提升树GBDT
[1]基本思想
训练集m,获得第一个弱分类歇，获得残差，然后不断地拟合残差
所有弱分类器相加得到强分类器
三、大杀器
[1] xgboost
GBDT的损失函数只对误差部分做负梯度(- -阶泰勒)展开
XGBoost损失函数对误差部分做二阶泰勒展开,更加准确，更快收敛
[2] lightgbm
微软:快速的，分布式的，高性能的基于决策树算法的梯度提升框架
速度更快
[3] stacking
堆叠或者叫模型融合
先建立几个简单的模型进行训练，第二级学习器会基于前级模型的预测结果进行再训练
[4]神经网络
自己看看网络文章吧
四、总结
