多分類演算法

⑴ 基於支持向量機的多分類演算法有哪些

作為一種新興的機器學習方法,基於統計學習理論的支持向量機,最初是用來解決二類分類問題的。對於實際中主要遇到的多類分類問題,目前常用的兩大類改進推廣方法為＂分解—重組＂法和＂直接求解＂法。

⑵ 哪些機器學習演算法可以處理多分類

maxsoft作為logistics二分類的改進版，天生適合多分類；神經網路(如bp神經網路，隨機權神經網路，RBF神經網路等)；通過建立多個支持向量機或者最小二乘支持向量機分類模型，通過投票演算法選擇概率最大的分類標簽；也可以通過聚類演算法(KNN，kMeans等)等無監督學習演算法實現分類。
樸素貝葉斯分類器演算法是最受歡迎的學習方法之一，按照相似性分類，用流行的貝葉斯概率定理來建立機器學習模型，特別是用於疾病預測和文檔分類。 它是基於貝葉斯概率定理的單詞的內容的主觀分析的簡單分類。
如果特徵數量遠大於訓練樣本數，則使用邏輯回歸或線性核方法的SVM。
如果特徵數較小，而樣本數量相對較多，可以考慮高斯核方法的SVM。
如果特徵數少兒樣本數極大，可以考慮增加一些特徵，再使用邏輯回歸或線性核方法的SVM
神經網路則對上述情況都可適用，但訓練時間較長。

想要學習了解更多機器學習的信息，推薦CDA數據分析師課程。CDA 與國際知名考試服務機構 Pearson VUE 合作,認證考點覆蓋全球。課程內容綜合使用統計分析方法、統計模型、運籌學、機器學習、文本挖掘演算法，而非單一的機器學習演算法。 點擊預約免費試聽課。

⑶ 如何用weka將多種分類演算法集成起來

需要將文件轉換成標稱（nominal)類型，weka把exel中的數字看作是數據類型，不能處理，從而導致Apriori演算法沒法用。
WEKA的全名是懷卡托智能分析環境(Waikato Environment for Knowledge Analysis)，同時weka也是紐西蘭的一種鳥名，而WEKA的主要開發者來自紐西蘭。wekaWEKA作為一個公開的數據挖掘工作，集合了大量能承擔數據挖掘任務的機器學習演算法，包括對數據進行預處理，分類，回歸、聚類、關聯規則以及在新的互動式界面上的可視化。
如果想自己實現數據挖掘演算法的話，可以參考weka的介面文檔。在weka中集成自己的演算法甚至借鑒它的方法自己實現可視化工具並不是件很困難的事情。
2005年8月，在第11屆ACM SIGKDD國際會議上，懷卡託大學的Weka小組榮獲了數據挖掘和知識探索領域的最高服務獎，Weka系統得到了廣泛的認可，被譽為數據挖掘和機器學習 歷史上的里程碑，是現今最完備的數據挖掘工具之一(已有11年的發展歷史)。Weka的每月次數已超過萬次。

⑷ 用於數據挖掘的分類演算法有哪些，各有何優劣

• 1.樸素貝葉斯(Naive Bayes, NB)

超級簡單，就像做一些數數的工作。如果條件獨立假設成立的話，NB將比鑒別模型（如Logistic回歸）收斂的更快，所以你只需要少量的訓練數據。即使條件獨立假設不成立，NB在實際中仍然表現出驚人的好。如果你想做類似半監督學習，或者是既要模型簡單又要性能好，NB值得嘗試。

• 2.Logistic回歸(Logistic Regression, LR)

LR有很多方法來對模型正則化。比起NB的條件獨立性假設，LR不需要考慮樣本是否是相關的。與決策樹與支持向量機（SVM）不同，NB有很好的概率解釋，且很容易利用新的訓練數據來更新模型（使用在線梯度下降法）。如果你想要一些概率信息（如，為了更容易的調整分類閾值，得到分類的不確定性，得到置信區間），或者希望將來有更多數據時能方便的更新改進模型，LR是值得使用的。

• 3.決策樹（Decision Tree, DT）

DT容易理解與解釋。DT是非參數的，所以你不需要擔心野點（或離群點）和數據是否線性可分的問題（例如，DT可以輕松的處理這種情況：屬於A類的樣本的特徵x取值往往非常小或者非常大，而屬於B類的樣本的特徵x取值在中間范圍）。DT的主要缺點是容易過擬合，這也正是隨機森林（Random Forest, RF）（或者Boosted樹）等集成學習演算法被提出來的原因。此外，RF在很多分類問題中經常表現得最好（我個人相信一般比SVM稍好），且速度快可擴展，也不像SVM那樣需要調整大量的參數，所以最近RF是一個非常流行的演算法。

• 4.支持向量機（Support Vector Machine, SVM）

很高的分類正確率，對過擬合有很好的理論保證，選取合適的核函數，面對特徵線性不可分的問題也可以表現得很好。SVM在維數通常很高的文本分類中非常的流行。由於較大的內存需求和繁瑣的調參，我認為RF已經開始威脅其地位了。

⑸ 可用於分類的演算法有哪些

太多了,
最不實用但是分類錯誤率最低的：貝葉斯方法.
最簡單的是最近鄰方法,從最近鄰方法又引申出現在極為流行的基於實例（或基於記憶）的方法（Memory Based）.
經典的：隱馬爾可夫模型（HMM）,最大熵,條件隨機場（CRF,這個比較新）
最流行的：winnow,bagging,ada boost等等

⑹ 為什麼需要很多分類演算法驗證性能

說出什麼時候是不太確定的，或者獲得置信區間），或你期望未來接收更多想要快速並入模型中的訓練數據;

⑺ fisher演算法怎麼實現多個類樣的分類，我怎麼感覺fisher演算法只能做兩個類樣的分類

有辦法實現多類：首先實現兩類fisher演算法，兩類fisher演算法能夠返回最接近待測樣品的類別，然後用返回的類別和新的類別做兩類fisher運算，又能夠得到比較接近的類別，以此類推，直到所有的類別，最後得出未知樣品的類別。

⑻ 聚類演算法和分類演算法有什麼區別么

聚類是未知結果會有多少類的，即可能聚成10個類也可能聚成100個類，只是根據某些相似性條件把數據聚合在一起，當然也有讓用戶自定義類數目的聚類演算法，但這個數目也不好定的。分類是已知一共有多少類，並明確知道該類的特點，然後把未知的按一定規則分到某一個類中
聚類聚類的數據集要比較多，這樣才有東西聚成一堆一堆的。分類可以多可以少，當然數據量大才能很好地說明分類演算法的優異。但實際上分類演算法在確定某些規則後，你可以只有一個未知的數據也可以把它分到某一個類別當中，但聚類如果只有一個未知的數據怎麼聚啊。

⑼ svm在多類分類演算法中的分析和應用

SVM是Support Vector Machine 的縮寫，翻譯過來就是支持向量機，屬於一種機器學習演算法，類似於人工神經網路，但是分類的效果好於神經網路，而且演算法固定，不會出現網路輸出不收斂或者隨機性較大的情況。

svm本身是一個二元分類器，你要進行多元分類，必須構造多分類演算法，常見的是 一對一 和 一對多 演算法。網上關於支持向量機的論文很多，常用的計算工具有基於 MATLAB 的 OSU-SVM 工具包 和 LS-SVM 工具包，效果都還不錯。

⑽ 適合於多分類的半監督學習演算法有哪些

maxsoft作為logistics二分類的改進版，天生適合多分類；神經網路(如bp神經網路，隨機權神經網路，RBF神經網路等)；通過建立多個支持向量機或者最小二乘支持向量機分類模型，通過投票演算法選擇概率最大的分類標簽；也可以通過聚類演算法(KNN，kMeans等)等無監督學習演算法實現分類。或許不太完善，歡迎補充。(機器學習演算法與Python學習)