why写这篇blog
最近在接触这方面的知识，但是找了许多的笔记，都感觉没有很好的总结出来，也正好当做是边学习，边复习着走。大佬轻喷。参考书目《python机器学习基础教程》
将分别从以下5方面进行总结
1.算法的作用
2.引用的方式（我这里主要是基于scikit-learn）
3.重要参数
4.优缺点
5.注意事项
监督学习算法
监督学习主要解决两种问题：回归与分类。
统一a为回归，b为分类。
（既然是总结，那概念就不过多赘述） 有需要了解的概念，可以上这个网站AI知识库
直接上算法
-
K近邻 k-NN
理解：近朱者赤，近墨者黑
作用：回归和分类
引用方式：a：from sklearn.neighbors import KNeighborsRegressor|b：from sklearn.neighbors import KNeighborsClassifier
重要参数：n_neighbors=NN为近邻的邻居数量。数据点之间的距离默认使用欧式距离。
优缺点：模型很容易理解，通常不需要过多调节就可以得到不错的性能。使用 k-NN 算法时，对数据进行预处理是很重要的。预测速度慢且不能处理具有很多特征的数据集。
注意事项：多邻居的情况采用（voting）投票决定归属,k-NN在实践中往往不会用到。 -
线性回归 普通最小二乘法
理解：确定函数，给自变量，因变量为预测值。
作用：回归
引用方式：a：from sklearn.linear_model import LinearRegression
重要参数：w ， b
优缺点：无法控制复杂度，欠拟合的概率较大。
注意事项：“斜率”参数（w，也叫作权重或系数）被保存在 coef_ 属性中，而偏移或截距（b）被保存在 intercept_ 属性中。 -
岭回归 使用了L2正则化的线性回归
（正则化的个人拙见：加大或缩小某些特征的权值，改变其对预测结果的影响）
L2正则化：w 的所有元素都应接近于 0
理解：确定函数，给自变量，因变量为预测值。
作用：回归
重要参数：w（希望w尽量小） ， b ， alpha（默认=1，增大alpha，w越趋近0）
引用方法：a ：from sklearn.linear_model import Ridge
优缺点：提高泛化能力，对小数据集的测试分数较高。如果有足够多的训练数据，正则化变得不那么重要，并且岭回归和线性回归将具有相同的性能。
注意事项：增大或减小alpha均有可能提高泛化性能，alpha 的最佳设定值取决于用到的具体数据集 -
lasso 使用了L1正则化的线性回归
L1正则化：某些特征被模型完全忽略，w = 0。
理解：确定函数，给自变量，因变量为预测值。
作用：回归
重要参数：w ， b ，alpha ， max_iter（运行迭代的最大次数，减小alpha时增大max_iter）
引用方法：a ：from sklearn.linear_model import Lasso
优缺点：给出更容易理解的模型，因为它只选择了一部分输入特征。
注意事项：把 alpha 设得太小，那么就会消除正则化的效果，并出现过拟合。 -
Logistic 回归 其本质是分类算法！！！
（默认使用L2正则化）
理解：确定函数，给自变量，y值与因变量比较大小。用于分类的线性模型
作用：分类
重要参数：C（默认=1）较小的 C 值可以让算法尽量适应“大多数”数据点，而较大的 C 值更强调每个数据点都分类正确的重要性。
引用方法：bfrom sklearn.linear_model import LogisticRegression
优缺点：
注意事项：理解成用于分类的线性模型。若想获得可解释性更强的模型可以更改为L1正则化LogisticRegression(C=1, penalty="l1") -
线性支持向量机 线性SVM
（默认使用L2正则化）
理解：确定函数，给自变量，y值与因变量比较大小。用于分类的线性模型
作用：分类
重要参数：C（默认=1）较小的 C 值可以让算法尽量适应“大多数”数据点，而较大的 C 值更强调每个数据点都分类正确的重要性。
引用方法：bfrom sklearn.svm import LinearSVC
优缺点：适用于二分类问题（可以通过“一对其余”分类器进行多分类）。
注意事项：理解成用于分类的线性模型。与LogisticRegression作用极为相似。
小结
2--6均为线性模型，线性模型的主要参数是正则化参数，在回归模型中叫作 alpha，在 LinearSVC 和 Logistic-Regression 中叫作 C。如果特征数量大于样本数量，线性模型的表现通常都很好。
-
朴素贝叶斯分类器
这篇文章写的很好零基础学习朴素贝叶斯
优缺点：训练速度往往更快，泛化能力要比线性分类器稍差。 -
决策树
理解：从一层层的 if/else 问题中进行学习，并得出结论。
作用：回归和分类
重要参数：max_depth（树深），max_leaf_nodes（叶结点数目），min_samples_
leaf（结点中数据点的最小数目）均用于预剪枝。
引用方法： a:from sklearn.tree import DecisionTreeRegressor|b：from sklearn.tree import DecisionTreeClassifier
优缺点：模型很容易可视化，很容易理解，不受数据缩放的影响，即使做了预剪枝，它也经常会过拟合，泛化性能很差。
注意事项：决策树的回归不能进行外推，也就是说不能进行回归预测。可以利用 graphviz 模块读取文件，将树可视化。 -
随机森林
理解：本质上是许多决策树的集合。（决策树的数量和每棵树所取的特征）
作用：回归和分类
重要参数：n_estimators（构造的决策树的数量），max_features（每棵树所取的特征）
引用方法：a：from sklearn.ensemble import RandomForestRegressor|b:from sklearn.ensemble import RandomForestClassifier
优缺点：通常不需要反复调节参数就可以给出很好的结果
注意事项：固定 random_state 是很重要的，经验法则就是“在你的时间 / 内存允许的情况下尽量多”，max_features好的经验就是使用默认值。 -
梯度提升回归树 梯度提升机
理解：合并多个决策树来构建一个更为强大的模型，采用连续的方式构造树，每棵树都试图纠正前一棵树的错误。
作用：回归和分类
重要参数：learning_rate（学习率），n_estimators（树的数量）
引用方法：a：from sklearn.ensemble import GradientBoostingRegressor|b：from sklearn.ensemble import GradientBoostingClassifier
优缺点：需要仔细调参，通常不适用于高维稀疏数据
注意事项：梯度提升模型的 max_depth 通常都设置得很小，一般不超过 5，梯度提升回归树中没有随机化，而是用到了强预剪枝。
小结
9，10均是决策树的集成
集成：是合并多个机器学习模型来构建更强大模型的方法。由于梯度提升和随机森林两种方法在类似的数据上表现得都很好，常用的方法就是先尝试随机森林，它的鲁棒性很好。如果随机森林效果很好，但预测时间太长，或者机器学习模型精度小数点后第二位的提高也很重要，那么切换成梯度提升通常会有用。
-
核支持向量机 SVM
详细内容和理解SVM
理解：将线性支持向量机推广到更复杂模型。（背后的数学过于复杂）
作用：分类
重要参数：gamma（控制高斯核的宽度），C（正则化参数） 。默认情况下，C=1，gamma=1/n_features
引用方法：b：from sklearn.svm import SVC
优缺点：预处理数据和调参都需要非常小心，很难检查 -
多层感知机 前反馈神经网路MLP
理解：广义的线性模型。
作用：回归和分类
重要参数：solver（默认=adam，还有lbfgs，sgd），层数，每层的隐单元个数
引用方法：a：from sklearn.neural_network import MLPRegressor|b：from sklearn.neural_network import MLPClassifier
优缺点：能够获取大量数据中包含的信息，并构建无比复杂的模型，需要很长的训练时间。它还需要仔细地预处理数据。
注意事项：所有流行的深度学习库也都允许使用高性能的图形处理单元（GPU），而 scikit-learn 不支持 GPU。使用 GPU 可以将计算速度加快 10 到 100倍，GPU 对于将深度学习方法应用到大型数据集上至关重要。