在实践中，“应用机器学习”意味着将一种算法应用于数据，该算法创建一个模型，捕捉数据中的趋势。有许多不同类型的机器学习模型可供选择，每种模型都有自己的特点，这可能使它或多或少适合于给定的数据集。
此页面概述了可用的不同类型的机器学习模型监督式学习；也就是说，对于我们建立模型来预测反应的问题。在监督学习中有两类模型:回归(当反应是连续的)和分类(当反应属于一组类)。
常用的回归机器学习模型
| 模型 | 图像 | 它是如何工作的 | MATLAB函数 | 进一步的阅读 |
|---|---|---|---|---|
| 线性回归 |  |
线性回归是一种统计建模技术，用于将连续响应变量描述为一个或多个预测变量的线性函数。由于线性回归模型易于解释和训练，它们通常是第一个拟合到新数据集的模型。 | Fitlm. |
什么是线性回归模型？(文档) 拟合线性回归机器学习模型（代码示例） |
| 非线性回归 |  |
非线性回归是一种统计建模技术，有助于描述实验数据中的非线性关系。通常假设非线性回归模型是参数的，其中模型被描述为非线性方程。 “非线性”是指拟合函数，即参数的非线性函数。例如拟合参数为b0、b1、b2，则方程为y = b0.+ b1X + B.2X2是拟合参数的线性函数，而y = (b)0.XB1) / (x + b2)是拟合参数的非线性函数。 |
fitnlm. |
非线性回归(文档) 拟合非线性回归机器学习模型（代码示例） |
| 高斯过程回归 |  |
GPR模型是非参数机器学习模型，用于预测连续响应变量的值。 响应变量被建模为一个高斯过程，使用协方差与输入变量。 这些模型广泛用于存在不确定性存在下插值的空间分析领域。GPR也称为Kriging。 |
fitrgp |
高斯过程回归模型(文档) 高斯过程机器学习模型的拟合（代码示例） |
| 金宝app支持向量机（SVM）回归 |  |
支持向量机回归算法的工作原理类似于支持向量机分类算法，但经过修改后能够预测连续响应。与其寻找一个分离数据的超平面，SVM回归算法寻找一个与测量数据相差不大于一个小数值的模型，参数值要尽可能小(以减少对误差的敏感性)。 | fitrsvm |
理解支持向量机回归金宝app(文档) 拟合一个支持向量机机器学习模型（代码示例） |
| 广义线性模型 |  |
广义的线性模型是使用线性方法的非线性模型的特殊情况。它涉及将输入的线性组合拟合到输出的非线性函数（链路功能）。 | Fitglm. |
广义线性模型(文档) 拟合广义的线性模型（代码示例） |
| 回归树 |  |
回归的决策树与分类的决策树类似，但它们被修改为能够预测连续响应。 | fitrtree |
日益决策树(文档) 拟合回归树机学习模型（代码示例） |
神经网络 (浅) |
 |
受人类大脑的启发，神经网络由高度连接的神经元网络组成，这些神经元将输入与期望的输出联系起来。通过迭代地修改连接的强度，通过迭代地修改网络，使得培训输入映射到训练响应。 | fitrnet |
神经网络架构(文档) 拟合神经网络机器学习模型（代码示例） |
| 神经网络(深) | |
深度神经网络具有比浅神经网络更多的隐藏层，具有数百个隐藏层的一部分。深神经网络可以被配置为通过在网络末尾放置回归输出层来解决回归问题。 | trainNetwork |
MATLAB中的深度学习(文档) 拟合深度神经网络回归（代码示例） |
| 回归树集合体 |  |
在合奏方法中，几个“弱”回归树被组合成“更强烈”的集合。最终模型使用来自“弱”回归树的预测组合来计算最终预测。 | fitrensemble |
整体算法(文档) 拟合回归树集成机器学习模型（代码示例） |
用于分类的流行机器学习模型
| 模型 | 图像 | 它是如何工作的 | MATLAB函数 | 进一步的阅读 |
|---|---|---|---|---|
| 物流回归 |  |
逻辑回归是一种模型，可以预测属于一类或另一类二元响应的概率。由于其简单性，逻辑回归通常被用作二值分类问题的起点。 | Fitglm. |
广义线性模型(文档) Logistic回归机器学习模型的拟合（代码示例） |
| 决策树 |  |
决策树允许您通过跟踪从根(开始)到叶节点的树中的决策来预测对数据的响应。树由分支条件组成，其中预测器的值与训练的权重相比较。在训练过程中确定分支数和权重值。可以使用额外的修改或修剪来简化模型。 | fitctree |
日益决策树(文档) 决策树机器学习模型的拟合（代码示例） |
| k最近邻(kNN) |  |
KNN是一种机器学习模型，可根据数据集中的最近邻居的类对对象进行分类。KNN预测假设彼此附近的物体是相似的。距离指标，例如欧几里德，城市块，余弦和Chebyshev，用于找到最近的邻居。 | fitcknn |
使用最近邻居分类(文档) 最近邻机器学习模型的拟合（代码示例） |
| 金宝app支持向量机(SVM) |  |
SVM通过查找线性决策边界（超平面）分类数据，该边界（超平面）将所有数据点与其他类的那些分开。SVM的最佳超平面是两个类之间具有最大边距的超平面，当数据线性可分离时。如果数据不可线性可分离，则使用损耗函数来惩罚超平面的错误侧的点。SVM有时使用内核变换将非线性可分离数据转换为可以找到线性决策边界的更高尺寸。 | fitcsvm |
金宝app二值分类的支持向量机(文档) 拟合一个支持向量机机器学习模型（代码示例） |
| 神经网络(浅) | |
受人类大脑的启发，神经网络由高度连接的神经元网络组成，这些神经元将输入与期望的输出联系起来。机器学习模型通过反复修改连接的强度来训练，以便给定的输入对应正确的响应。神经网络的输入层和输出层之间的神经元被称为“隐藏层”。浅层神经网络通常有一到两层隐藏层。 | Fitcnet. |
神经网络架构(文档) 拟合浅神经网络机学习模型（代码示例） |
| 神经网络(深) | |
深度神经网络具有比浅神经网络更多的隐藏层，具有数百个隐藏层的一部分。深神经网络可以被配置为通过在网络末尾放置分类输出层来解决分类问题。许多净化深度学习模型用于分类的任务，例如图像识别。 | trainNetwork |
MATLAB中的深度学习(文档) 拟合深度神经网络分类模型（代码示例） |
| 袋装和提升决策树 | |
在这些集成方法中，将几个“较弱的”决策树组合成一个“较强的”集成。 袋装决策树由树木独立于从输入数据引导的数据进行培训。 助推是指通过迭代地增加“弱”学习者，并调整每个“弱”学习者的权重，以专注于错误分类的例子，从而创造出一个强大的学习者。 |
fitcensemble. |
整体算法(文档) 拟合一个增强决策树集成（代码示例） |
| 朴素贝叶斯 |  |
一个天真的贝叶斯分类器假设在类中存在特定特征与任何其他特征的存在无关。它根据其属于特定类的最高概率对新数据进行分类。 | fitcnb |
天真的贝叶斯分类(文档) 适合天真的贝叶斯机器学习模型（代码示例） |
| 判别分析集合 |  |
判别分析通过寻找特征的线性组合来对数据进行分类。判别分析假设不同的类别产生的数据基于高斯分布。训练一个判别分析模型需要为每个类找到高斯分布的参数。分布参数用于计算边界，边界可以是线性函数或二次函数。这些边界用于确定新数据的类别。 | fitcdiscr |
创建判别分析模型(文档) 拟合判别分析机学习模型（代码示例） |
