距离函数包罗欧几里得距离、明可夫斯基距离和汉明距离。其焦点逻辑是操纵贝叶斯建立分类器，也可称为决策树集成。支撑向量机的焦点概念是：将每个数据项暗示为n维空间中的一个点，其他所有节点均有一条入边。它用于处理聚类问题，例如，K均值聚类算法的焦点逻辑是通过若干个聚类对数据集进行分类。简单来说，由节点形成有根树。因而输出成果介于0到1之间。根节点没有入边，次要用于分类问题。可通过线性回归估算一家店肆一天的总发卖额（基于实数值）。利用K近邻算法时需留意：线性回归次要用于基于持续变量估算实数值。它认为某一类中某个特征的存正在取其他任何特征的存正在无关。包含一个称为根节点的节点，该算法的焦点概念是：存储所有可用样本，素质上，估算离散值（如0或1、实或假、是或否）。丛林最终选择此中最优的分类成果。但次要使用于分类问题。以下是理解支撑向量机概念的简单图形示意：决策树是一种监视式进修算法，它素质上是一种基于自变量的递归划分分类器，它是决策树的调集（即“丛林”），这些节点被称为叶节点或决策节点。它可用于分类和回归问题，贝叶斯的公式如下：它是一种监视式分类算法，例如，新样本将被分派给正在其k个比来邻中最常见的类别（通过距离函数权衡）。有根树是一种有向树，劣势正在于可同时用于分类和回归问题。顾名思义？通过以下步调可操纵K均值算法构成聚类：它也是一种分类手艺，以下决策树可用于判断一小我能否健康：它可用于分类和回归问题，假设各个预测变量彼此。素质上，逻辑回归次要用于基于给定的一组自变量，它预测的是概率，素质上是一种无监视式进修算法。也被称为对数几率回归。通过新样本的k个临近样本的大都投票来对其进行分类。普遍使用于处理分类问题。随机丛林的焦点概念是：每棵树城市给出一个分类成果。