摘要：随机森林 在机器学习中，随机森林是一个包含多个决策树的分类器，其中每个决策树之间互不关联，其输出的类别是由个别树输出的类别的众数而定。 算法步骤： 对于N个训练样例，有M个特征，对于每一个决策树来说，都选取m个特征数目，其远远小于M，用来确定每一个决策树上一个节点的决策结果，从训练样例上有放回抽样， 阅读全文

摘要：决策树是一种用于分类和回归的有监督学习方法——预测模型 该方法是在已知各种情况发生概率的基础上，通过构成决策树来求取净现值大于0的概率，树中的每一个节点表示某个对象，而每一个分叉路代表某个可能的属性值，而每一个叶节点则对应的是从根节点到该叶节点所经历的路径所表示的对象的值。 例如：决策树解决相亲问题 阅读全文

摘要：近邻算法(KNN)属于有监督学习的聚类算法，他可以通过测量不同特征值之间的距离进行分类，一个样本在特征空间中的k个最相似的样本大多数属于某一个类别，则该样本也属于这个类别，算法中所选择的邻居都是正确分类的对象。KNN算法测距离依旧使用的是欧式距离。 算法描述： 计算测试数据与各个训练数据之间的距离； 阅读全文

摘要：ALS算法中文名又称为最小二乘法，在机器学习中，ALS特指使用最小二乘法求解的协同过滤算法中的一种 ALS算法在构建spark推荐系统时，是用的最多的协同过滤算法，集成到了spark中ml库和mllib库中(ml库算法接口基于DataFrames,mllib库算法接口基于RDDs,ml库使用越来越普 阅读全文

摘要：机器学习分为：监督学习，无监督学习，半监督学习 按算法分类：分类算法，聚类算法，对于无监督学习，应用最广的是“聚类” Kmeans算法属于无监督学习(聚类)，对于训练样本的标记信息是未知的 1、Kmeans算法思想 Kmeans算法又称为K均值算法，其原理为：先从样本集中随机选取K个样本作为簇中心( 阅读全文

摘要：在数据分析和挖掘的过程中，为了知道个体间差异的大小，我们需要去评价个体之间的相似性，数据的挖掘方法可以分为分类和聚类，如KNN和KMeans. 而衡量个体差异的方法主要分为两种，距离度量——欧式距离，相似度度量——余弦距离。 1、欧式距离 衡量个体在空间上存在的距离，距离越远说明个体间的差异越大。 阅读全文