道常无名，朴虽小天下莫能臣也讲了什么人生道理_百度知道道德经注解（三十）：道常无名，朴虽小 | 道家阴符派博客第三十二章
道常无名，朴，虽小，天下莫能臣。
侯王若能守之，万物将自宾。
天地相合，以降甘露，民莫之令而自均。
始制有名，名亦既有，夫亦将知止，知止可以不殆(dài)。
譬(pì)道之在天下，犹川谷之于江海。
【道德经o全文注解】请点开“阅读原文”获取!
本文来自微信公众账号提交，由微信啦收录，转载请注明出处。
微信扫码 分享文章以此作第一篇吧。。
一、The k-means algorithm 即K-Means算法
k-meansalgorithm算法是一个聚类算法，把n的对象根据他们的属性分为k个分割(k& n)。
它与处理混合正态分布的最大期望算法(本十大算法第五条)很相似，因为他们都试图找到数据中自然聚类的中心。
它假设对象属性来自于空间向量，并且目标是使各个群组内部的均方误差总和最小。
优点：容易实现。
缺点：可能收敛到局部最小值，在大规模数据集上收敛较慢。
二、 Support vectormachines
支持向量机将向量映射到一个更高维的空间里，在这个空间里建立有一个最大间隔超平面。
在分开数据的超平面的两边建有两个互相平行的超平面，分隔超平面使两个平行超平面的距离最大化。
假定平行超平面间的距离或差距越大，分类器的总误差越小。
优点：泛化错误率低，计算开销不大，结果易解释
缺点：对参数调节和核函数的选择敏感
三、最大期望(EM)算法
&在统计计算中，最大期望 （EM，Expectation–Maximization）算法是在概率（probabilistic）模型中寻找参数最大似然估计的算法，其中概率模型依赖于无法观测的隐藏变量（Latent Variabl）。最大期望经常用在机器学习和计算机视觉的数据集聚（DataClustering）领域。
四、AdaBoost
Adaboost是一种迭代算法，其核心思想是针对同一个训练集训练不同的分类器(弱分类器)，
然后把这些弱分类器集合起来，构成一个更强的最终分类器 (强分类器)。
其算法本身是通过改变数据分布来实现的，它根据每次训练集之中每个样本的分类是否正确，以及上次的总体分类的准确率，来确定每个样本的权值。
将修改过权值的新数据集送给下层分类器进行训练，最后将每次训练得到的分类器融合起来，作为最后的决策分类器。
优点：泛化错误率低，易编码，可以应用在大部分分类器上，无参数调整
缺点：对离群点敏感
五、kNN: k-nearestneighbor classification
K最近邻(k-Nearest Neighbor，KNN)分类算法，是一个理论上比较成熟的方法，也是最简单的机器学习算法之一。该方法的思路是：如果一个样本在特征空间中的k个最相似，即特征空间中最邻近的样本中的大多数属于某一个类别，则该样本也属于这个类别。
1、计算已知类别数据集中的点与当前点之间的距离
2、对距离递增排序，选择距当前点最小的k个点
3、确定前k个点所在类别出现的频率
4返回出现频率最高的类别作为当前点的预测分类
优点：精度高，对异常值不敏感，无数据输入假定
缺点：计算复杂度高、空间复杂度高
六、决策树(Decision Tree)
方法：根据信息增益最大原则，找到决定性特征，划分数据集，直到所有子集属于同一类型，否则递归划分。
创建分支函数createBranch()的伪代码如下：
检测数据集中的每个子项是否属于同一分类：
&&& If so return 类标签；
&& 寻找划分数据集的最好特征
&&& && 划分数据集
&&& && 创建分支节点
&&&&&&&&&&& For 每个划分的子集
&&&&&&&&&&&&&&& 调用函数createBranch并增加返回结果到分支节点中
&&&&&&& Return 分支节点
优：计算复杂度不高，输出结果容易理解，对中间值的缺失不敏感，可处理不相关特征数据
缺：可能产生过度匹配
七Naive Bayes
在众多的分类模型中，应用最为广泛的两种分类模型是决策树模型(Decision Tree Model)和朴素贝叶斯模型（Naive BayesianModel，NBC）。 朴素贝叶斯模型发源于古典数学理论，有着坚实的数学基础，以及稳定的分类效率。同时，NBC模型所需估计的参数很少，对缺失数据不太敏感，算法也比较简单。
理论上，NBC模型与其他分类方法相比具有最小的误差率。但是实际上并非总是如此，这是因为NBC模型假设属性之间相互独立，这个假设在实际应用中往往是不成立的，这给NBC模型的正确分类带来了一定影响。在属性个数比较多或者属性之间相关性较大时，NBC模型的分类效率比不上决策树模型。而在属性相关性较小时，NBC模型的性能最为良好。
优点：数据较少情况下仍然有效，可处理多类别问题
缺点：对于输入数据的准备方式较敏感
八、Logistic 回归
最优化算法。LR的主要思想是：根据现有数据对分类边界线建立回归公式，以此进行分类。训练分类器时的做法是寻找最佳拟合参数。
优点：计算代价不高，易于理解和实现
缺点：容易欠拟合，分类精度可能不高
参考知识库
* 以上用户言论只代表其个人观点，不代表CSDN网站的观点或立场
访问：1621次
排名：千里之外}