Soporte de máquinas de vectores. Estos se usan mucho para la clasificación binaria o de varias clases. Es mucho más sofisticado que los algoritmos más simples, a la vez que requiere mucha menos información que el aprendizaje profundo. Las aplicaciones de ejemplo son tareas de clasificación para documentos, imágenes y más.
Regresión lineal / Regresión logística Ambos son muy simples de usar. La regresión lineal es probablemente el algoritmo más simple que los niños aprenden en la escuela. La regresión logística también es muy útil para la clasificación. He llegado a creer que la gran mayoría de las aplicaciones de ciencia de datos están cubiertas por estos dos algoritmos.
Árboles de decisión y bosques aleatorios Desde reglas simples donde, por ejemplo, los usuarios reciben diferentes anuncios basados en género y grupos de grupos de edad hasta reglas altamente complejas aprendidas de los datos. Sus conjuntos (bosques aleatorios) también se utilizan comercialmente.
- ¿Qué pasaría si las máquinas escribieran algunas de las preguntas sobre Quora?
- ¿Cuáles son las preguntas más importantes en el aprendizaje automático?
- ¿A qué se refiere el término "regresión" en "análisis de regresión"?
- ¿Existe la idea de utilizar la regularización para evitar el sobreajuste en la econometría, como lo enseñan los economistas?
- ¿Qué versión de Python debería usar en 2016 en Machine Learning y Data Science, Python 2.7 o Python 3.0+?
Otros
Modelado de temas
Aumento de gradiente
Aquí hay una pregunta relacionada con toneladas de respuestas para la clasificación de texto.
¿Cuáles son los algoritmos de clasificación de texto populares en uso comercial y cómo se usan?