對(duì)于新手來(lái)說(shuō)，人工智能的機(jī)器學(xué)習(xí)算法似乎過(guò)于枯燥和復(fù)雜。在某種程度上，這是事實(shí)。但是在大多數(shù)情況下，學(xué)員會(huì)偶然發(fā)現(xiàn)每種算法只有幾頁(yè)的描述。這讓學(xué)員很難找到時(shí)間和精力來(lái)處理每個(gè)細(xì)節(jié)。但是，如果真的希望成為機(jī)器學(xué)習(xí)算法的專(zhuān)家，則必須掌握有關(guān)頂級(jí)機(jī)器學(xué)習(xí)算法的知識(shí)，而且沒(méi)有其他捷徑可以走。今天將嘗試簡(jiǎn)化此任務(wù)，解釋10種最常見(jiàn)頂級(jí)機(jī)器學(xué)習(xí)算法的核心原理。

1.線(xiàn)性回歸：最初是在統(tǒng)計(jì)中發(fā)展的，用于研究輸入和輸出數(shù)值變量之間的關(guān)系，機(jī)器學(xué)習(xí)社區(qū)已將其用于基于線(xiàn)性回歸方程式進(jìn)行預(yù)測(cè)。

線(xiàn)性回歸的數(shù)學(xué)表示法是一個(gè)線(xiàn)性方程，它結(jié)合了一組特定的輸入數(shù)據(jù)（x），以預(yù)測(cè)該組輸入值的輸出值（y）。線(xiàn)性方程式將系數(shù)分配給每組輸入值，這些值稱(chēng)為希臘字母Beta（β）表示的系數(shù)。

2.Logistic回歸：在Logistic回歸中，我們的目標(biāo)應(yīng)該是產(chǎn)生一個(gè)離散值1或0。這有助于我們找到一種確定的方案答案。邏輯回歸模型類(lèi)似于線(xiàn)性回歸來(lái)計(jì)算輸入變量的加權(quán)和，但是它通過(guò)特殊的非線(xiàn)性函數(shù)，邏輯函數(shù)或S形函數(shù)運(yùn)行結(jié)果，以產(chǎn)生輸出y。

3.KNN分類(lèi)：K最近鄰（KNN）分類(lèi)的目的是將數(shù)據(jù)點(diǎn)分為不同的類(lèi)別，以便我們可以基于相似性度量對(duì)它們進(jìn)行分類(lèi)。

從某種意義上說(shuō)，KNN可以進(jìn)行學(xué)習(xí)，不需要明確的訓(xùn)練階段，而是開(kāi)始對(duì)由鄰居的多數(shù)投票決定的數(shù)據(jù)點(diǎn)進(jìn)行分類(lèi)。

將對(duì)象分配給在其k個(gè)最近的鄰居中最常見(jiàn)的類(lèi)。

4.支持向量機(jī)（SVM）：支持向量機(jī)最初用于數(shù)據(jù)分析。最初，一組訓(xùn)練示例被輸入到SVM算法中，屬于一個(gè)或另一個(gè)類(lèi)別。然后，該算法構(gòu)建一個(gè)模型，該模型開(kāi)始將新數(shù)據(jù)分配給它在訓(xùn)練階段學(xué)到的類(lèi)別之一。

在SVM算法中，創(chuàng)建了一個(gè)超平面，該超平面用作類(lèi)別之間的分界。當(dāng)SVM算法處理一個(gè)新的數(shù)據(jù)點(diǎn)時(shí)，根據(jù)它出現(xiàn)的一側(cè)，它將被分類(lèi)為一種類(lèi)別。

5.決策樹(shù)：決策樹(shù)基本上是一種樹(shù)狀的支持工具，可用于表示原因和結(jié)果。由于一個(gè)原因可能有多種影響，因此我們將其列出。

6.隨機(jī)森林：隨機(jī)森林算法旨在解決決策樹(shù)的某些局限性。

隨機(jī)森林由決策樹(shù)組成，決策樹(shù)是代表決策過(guò)程或統(tǒng)計(jì)概率的決策圖。這些多個(gè)樹(shù)映射到單個(gè)樹(shù)，稱(chēng)為分類(lèi)和回歸模型。

7.人工神經(jīng)網(wǎng)絡(luò)：在我們追求上帝的過(guò)程中，人工神經(jīng)網(wǎng)絡(luò)是我們的最高成就之一。如圖所示，我們已經(jīng)創(chuàng)建了多個(gè)相互連接的節(jié)點(diǎn)，它們模仿了我們大腦中的神經(jīng)元。簡(jiǎn)而言之，每個(gè)神經(jīng)元通過(guò)另一個(gè)神經(jīng)元接收信息，對(duì)其進(jìn)行工作，然后將其作為輸出傳遞給另一個(gè)神經(jīng)元。

8.K均值聚類(lèi)：在這種機(jī)器學(xué)習(xí)算法中，目標(biāo)是根據(jù)數(shù)據(jù)點(diǎn)的相似性對(duì)其進(jìn)行標(biāo)記。因此，我們沒(méi)有在算法之前定義聚類(lèi)，而是算法在前進(jìn)時(shí)找到了這些聚類(lèi)。

一個(gè)簡(jiǎn)單的例子是，根據(jù)足球運(yùn)動(dòng)員的數(shù)據(jù)，我們將使用K-means聚類(lèi)并根據(jù)其相似性對(duì)其進(jìn)行標(biāo)記。因此，即使沒(méi)有為算法提供預(yù)定義的標(biāo)簽，這些聚類(lèi)也可以基于前鋒的偏愛(ài)來(lái)為任意球或成功的鏟球得分。

K均值聚類(lèi)將有益于交易者，他們認(rèn)為不同資產(chǎn)之間可能存在表面上看不到的相似之處。

9.樸素貝葉斯定理：現(xiàn)在，如果您還記得基本概率，您會(huì)知道貝葉斯定理是通過(guò)以下方式制定的：我們假設(shè)我們對(duì)與前一個(gè)事件相關(guān)的任何事件都有先驗(yàn)知識(shí)。

例如，要檢查您遲到辦公室的可能性，您可能想知道您在途中是否遇到任何交通擁堵。

但是，樸素貝葉斯分類(lèi)器算法假設(shè)兩個(gè)事件是彼此獨(dú)立的，因此，這在很大程度上簡(jiǎn)化了計(jì)算。最初，NaiveBayes最初只考慮了學(xué)術(shù)練習(xí)，但表明它在現(xiàn)實(shí)世界中也表現(xiàn)出色。

樸素貝葉斯算法可用于查找不同參數(shù)之間的簡(jiǎn)單關(guān)系而無(wú)需完整的數(shù)據(jù)。

10.遞歸神經(jīng)網(wǎng)絡(luò)（RNN）：您知道Siri和GoogleAssistant在其編程中使用RNN嗎？RNN本質(zhì)上是一種神經(jīng)網(wǎng)絡(luò)，具有連接到每個(gè)節(jié)點(diǎn)的內(nèi)存，這使得處理順序數(shù)據(jù)變得容易，即一個(gè)數(shù)據(jù)單元取決于前一個(gè)數(shù)據(jù)單元。

一種解釋RNN優(yōu)于常規(guī)神經(jīng)網(wǎng)絡(luò)的優(yōu)勢(shì)的方法是，我們應(yīng)該逐個(gè)字符地處理一個(gè)單詞。如果單詞是“trading”，則正常的神經(jīng)網(wǎng)絡(luò)節(jié)點(diǎn)會(huì)在移動(dòng)到“d”時(shí)忘記字符“t”，而循環(huán)神經(jīng)網(wǎng)絡(luò)會(huì)記住該字符，因?yàn)樗哂凶约旱挠洃洝?/p>

因此，這些是頂級(jí)的機(jī)器學(xué)習(xí)算法，您將在接下來(lái)的時(shí)間重點(diǎn)關(guān)注這些算法。