机器学习算法
广泛地说，有三种类型的机器学习算法。
1.监督学习
这个算法由一个目标/结果变量（或因变量）组成，这个变量可以从一组给定的预测变量（独立变量）中预测出来。 使用这些变量，我们生成一个将输入映射到所需输出的函数。 训练过程一直持续到模型达到训练数据所需的准确度。 监督学习的例子：回归，决策树，随机森林，KNN，逻辑回归等。
2.无监督学习
在这个算法中，我们没有任何目标或结果变量来预测/估计。 用于不同群体的群体聚类，广泛用于不同群体的消费者细分进行具体干预。 无监督学习的例子：Apriori算法，K-means。
3.强化学习：
使用这种算法，机器被训练做出特定的决定。 它是这样工作的：机器暴露在一个环境中，它使用反复试验不断地训练自己。 这台机器从过去的经验中学习，并试图捕捉最好的知识，做出准确的业务决策。 强化学习实例：马尔可夫决策过程
- 这里是常用的机器学习算法列表。 这些算法可以应用于几乎所有的数据问题：
线性回归
Logistic回归
决策树
SVM
朴素贝叶斯
KNN
K均值
随机森林
维度降低算法
梯度提升算法
GBM
XGBoost
LightGBM
CatBoost
1.线性回归
它用于根据连续变量估计实际值（房屋成本，通话次数，总销售额等）。在这里，我们通过拟合最佳线来建立独立和因变量之间的关系。该最佳拟合线被称为回归线，并由线性方程Y = a * X + b表示。
理解线性回归的最好方法是重温童年的这种体验。让我们说，你问一个五年级的孩子，通过增加体重的顺序来安排班上的人，而不要问他们的重量！你觉得孩子会做什么？他/她可能会查看（视觉分析）人的身高和身材，并使用这些可见参数的组合进行排列。这是现实生活中的线性回归！实际上，孩子已经找到了身高，身材与体重之间的关系，看起来像上面的方程式。
在这个等式中：
Y因变量
一个 - 坡度
X - 自变量
b - 拦截
这些系数a和b是基于最小化数据点与回归线之间的距离的平方和的总和而得出的。
看下面的例子。这里我们已经确定了具有线性方程y = 0.2811x + 13.9的最佳拟合线。现在使用这个等式，我们可以找到重量，知道一个人的身高。
R代码：
#Load Train and Test datasets
#Identify feature and response variable(s) and values must be numeric and numpy arrays
x_train <- input_variables_values_training_datasets
y_train <- target_variables_values_training_datasets
x_test <- input_variables_values_test_datasets
x <- cbind(x_train,y_train)
# Train the model using the training sets and check score
linear <- lm(y_train ~ ., data = x)
summary(linear)
#Predict Output
predicted= predict(linear,x_test)
python:
#Import Library
#Import other necessary libraries like pandas, numpy...
from sklearn import linear_model
#Load Train and Test datasets
#Identify feature and response variable(s) and values must be numeric and numpy arrays
x_train=input_variables_values_training_datasets
y_train=target_variables_values_training_datasets
x_test=input_variables_values_test_datasets
# Create linear regression object
linear = linear_model.LinearRegression()
# Train the model using the training sets and check score
linear.fit(x_train, y_train)
linear.score(x_train, y_train)
#Equation coefficient and Intercept
print('Coefficient: \n', linear.coef_)
print('Intercept: \n', linear.intercept_)
#Predict Output
predicted= linear.predict(x_test)
