在统计学习框架下，大家刻画模型复杂度的时候，有这么个观点，认为Error=Bias+Variance。这里的Error大概可以理解为模型的预测错误率，是有两部分组成的，一部分是由于模型太简单而带来的估计不准确的部分（Bias），另一部分是由于模型太复杂而带来的更大的变化空间和不确定性（Variance）。所以，这样就容易分析朴素贝叶斯了。它简单的假设了各个数据之间是无关的，是一个被严重简化了的模型。所以，对于这样一个简单模型，大部分场合都会Bias部分大于Variance部分，也就是说高偏差而低方差。在实际中，为了让Error尽量小，我们在选择模型的时候需要平衡Bias和Variance所占的比例，也就是平衡over-fitting和under-fitting。偏差和方差与模型复杂度的关系使用下图更加明了：当模型复杂度上升的时候，偏差会逐渐变小，而方差会逐渐变大。 深度智谷深度人工智能学院贝叶斯算法模型。四川机器学习培训班知乎
fp-growth：求频繁**的算法，只用遍历数据集两次，就可建立fp树遍历**，求**小项集的出现次数给所有样本内部排序，并且过滤掉出现次数小于阈值的项集用排序好的数据建立fp树，树是字典树，节点是频繁**的路径，值是路径出现次数fp树建好后，使用header链表，自底向上获得频繁项mahout的分布式fp：***次遍历样本一样，求**小项集的出现次数根据排序的**小项集，分割项集，如a,b,c,d,e,f,g,分割数据a,b,c,d,e,f,g;c,d,e,f,g;efg;这样频繁**不会应为分片而丢失（可以理解为fp树从顶向下分割数据）基于项目的推荐算法：计算人-物计算物-物获得物和物的相似矩阵在用相似矩阵*人-物，就是人和其他物品的关联度。 江西机器学习培训网站深度智谷深度人工智能学院Kmeans算法。
3.聚类聚类方法的目标是对具有相似特征的观察值进行分组或聚类，是一种无监督机器学习方法。聚类方法不借助输出信息进行训练，而是让算法定义输出。在这一方法中，只能使用可视化来检验解决方案的质量。当下流行的聚类方法是K均值聚类，其中“K”表示用户选择创建的簇的数量。（注意，选取K值时有多种技术可供选择，比如肘部法则。）大体上，K均值聚类法对数据点的处理步骤包括：1.随机选择数据中的K个中心。2.将每个数据点分配给**接近的随机创建的中心。3.重新计算每个簇的中心。4.如果中心没有变化（或变化很小），就结束此过程。否则，返回至第2步。（如果中心持续更改，为防止**终形成无限循环，要提前设置比较大迭代次数。）下图将K均值聚类法应用于建筑物的数据集。图中的每一列都表明了每栋建筑的效率。这四项测量的量涉及空调、插入式设备（微波炉，冰箱等）、家用燃气和可燃气体。选择K值为2进行聚类，这样就很容易地将其中一个聚类解释为高效建筑群，另一个则为低效建筑群。左图中可以看到建筑物的位置，右图可以看到两个输入值：插入式设备和可燃气体。
（6）神经网络神经网络分类算法的重点是构造阈值逻辑单元，一个值逻辑单元是一个对象，它可以输入一组加权系数的量，对它们进行求和，如果这个和达到或者超过了某个阈值，输出一个量。如有输入值X1,X2,...,Xn和它们的权系数：W1,W2,...,Wn，求和计算出的Xi*Wi，产生了激发层a=(X1*W1)+(X2*W2)+...+(Xi*Wi)+...+(Xn*Wn)，其中Xi是各条记录出现频率或其他参数，Wi是实时特征评估模型中得到的权系数。神经网络是基于经验风险**小化原则的学习算法，有一些固有的缺陷，比如层数和神经元个数难以确定，容易陷入局部极小，还有过学习现象，这些本身的缺陷在SVM算法中可以得到很好的解决。 深度智谷深度人工智能学院梯度下降法。
降低维度算法像聚类算法一样，降低维度算法试图分析数据的内在结构，不过降低维度算法是以非监督学习的方式试图利用较少的信息来归纳或者解释数据。这类算法可以用于高维数据的可视化或者用来简化数据以便监督式学习使用。常见的算法包括：主成份分析（PrincipleComponentAnalysis，PCA），偏**小二乘回归（PartialLeastSquareRegression，PLS），Sammon映射，多维尺度（Multi-DimensionalScaling,MDS）,投影追踪（ProjectionPursuit）等。集成算法集成算法用一些相对较弱的学习模型**地就同样的样本进行训练，然后把结果整合起来进行整体预测。集成算法的主要难点在于究竟集成哪些**的较弱的学习模型以及如何把学习结果整合起来。这是一类非常强大的算法，同时也非常流行。常见的算法包括：Boosting，BootstrappedAggregation（Bagging），AdaBoost，堆叠泛化（StackedGeneralization，Blending），梯度推进机（GradientBoostingMachine,GBM），随机森林（RandomForest）。 深度智谷深度人工智能学院图像滤波算法。山西机器学习培训费用
深度智谷深度人工智能学院决策树算法培训。四川机器学习培训班知乎
常见算法优缺点1.朴素贝叶斯朴素贝叶斯属于生成式模型（关于生成模型和判别式模型，主要还是在于是否是要求联合分布），非常简单，你只是做了一堆计数。如果注有条件**性假设（一个比较严格的条件），朴素贝叶斯分类器的收敛速度将快于判别模型，如逻辑回归，所以你只需要较少的训练数据即可。即使NB条件**假设不成立，NB分类器在实践中仍然表现的很出色。它的主要缺点是它不能学习特征间的相互作用，用mRMR中R来讲，就是特征冗余。引用一个比较经典的例子，比如，虽然你喜欢BradPitt和TomCruise的电影，但是它不能学习出你不喜欢他们在一起演的电影。优点：朴素贝叶斯模型发源于古典数学理论，有着坚实的数学基础，以及稳定的分类效率。对小规模的数据表现很好，能个处理多分类任务，适合增量式训练；对缺失数据不太敏感，算法也比较简单，常用于文本分类。缺点：需要计算先验概率；分类决策存在错误率；对输入数据的表达形式很敏感。（逻辑回归）属于判别式模型，有很多正则化模型的方法（L0，L1，L2，etc），而且你不必像在用朴素贝叶斯那样担心你的特征是否相关。与决策树与SVM机相比，你还会得到一个不错的概率解释，你甚至可以轻松地利用新数据来更新模型。 四川机器学习培训班知乎
成都深度智谷科技有限公司致力于教育培训，是一家服务型公司。深度智谷致力于为客户提供良好的人工智能培训，深度学习培训，AI培训，AI算法工程师培训，一切以用户需求为中心，深受广大客户的欢迎。公司秉持诚信为本的经营理念，在教育培训深耕多年，以技术为先导，以自主产品为重点，发挥人才优势，打造教育培训良好品牌。深度智谷凭借创新的产品、专业的服务、众多的成功案例积累起来的声誉和口碑，让企业发展再上新高。
