1、監(jiān)督學(xué)習(xí)（SupervisedLearning）：有類別標(biāo)簽的學(xué)習(xí)，基于訓(xùn)練樣本的輸入、輸出訓(xùn)練得到最優(yōu)模型，再使用該模型預(yù)測(cè)新輸入的輸出；

代表算法：決策樹、樸素貝葉斯、邏輯回歸、KNN、SVM、神經(jīng)網(wǎng)絡(luò)、隨機(jī)森林、AdaBoost、遺傳算法；

2、半監(jiān)督學(xué)習(xí)（Semi-supervisedLearning）：同時(shí)使用大量的未標(biāo)記數(shù)據(jù)和標(biāo)記數(shù)據(jù)，進(jìn)行模式識(shí)別工作；

代表算法：self-training(自訓(xùn)練算法)、generative models生成模型、SVMs半監(jiān)督支持向量機(jī)、graph-basedmethods圖論方法、?multiviewlearing多視角算法等；

3、無監(jiān)督學(xué)習(xí)（UnsupervisedLearning）：無類別標(biāo)簽的學(xué)習(xí)，只給定樣本的輸入，自動(dòng)從中尋找潛在的類別規(guī)則；

代表算法：主成分分析方法PCA等，等距映射方法、局部線性嵌入方法、拉普拉斯特征映射方法、黑塞局部線性嵌入方法、局部切空間排列方法等；

4、HOG特征：全稱Histogram of Oriented Gradient（方向梯度直方圖），由圖像的局部區(qū)域梯度方向直方圖構(gòu)成特征；

5、LBP特征：全稱Local Binary Pattern（局部二值模式），通過比較中心與鄰域像素灰度值構(gòu)成圖像局部紋理特征；

6、Haar特征：描述圖像的灰度變化，由各模塊的像素差值構(gòu)成特征；

7、核函數(shù)（Kernels）：從低維空間到高維空間的映射，把低維空間中線性不可分的兩類點(diǎn)變成線性可分的；

8、SVM：全稱Support Vector Machine（支持向量機(jī)），在特征空間上找到最佳的超平面使訓(xùn)練集正負(fù)樣本的間隔最大；是解決二分類問題的有監(jiān)督學(xué)習(xí)算法，引入核方法后也可用來解決非線性問題；

9、Adaboost：全稱Adaptive Boosting（自適應(yīng)增強(qiáng)），對(duì)同一個(gè)訓(xùn)練集訓(xùn)練不同的弱分類器，把這些弱分類器集合起來，構(gòu)成一個(gè)更強(qiáng)的強(qiáng)分類器；

10、決策樹算法（Decision Tree）：處理訓(xùn)練數(shù)據(jù)，構(gòu)建決策樹模型，再對(duì)新數(shù)據(jù)進(jìn)行分類；

11、隨機(jī)森林算法（Random Forest）：使用基本單元（決策樹），通過集成學(xué)習(xí)將多棵樹集成；

12、樸素貝葉斯（Naive Bayes）：根據(jù)事件的先驗(yàn)知識(shí)描述事件的概率，對(duì)聯(lián)合概率建模來獲得目標(biāo)概率值；

13、神經(jīng)網(wǎng)絡(luò)（Neural Networks）：模仿動(dòng)物神經(jīng)網(wǎng)絡(luò)行為特征，將許多個(gè)單一“神經(jīng)元”聯(lián)結(jié)在一起，通過調(diào)整內(nèi)部大量節(jié)點(diǎn)之間相互連接的關(guān)系，進(jìn)行分布式并行信息處理。

總結(jié)

以上是生活随笔為你收集整理的【机器学习】算法面试知识点整理（持续更新中~）的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。