机器学习分类模型
机器学习常见分类模型及特点
机器学习常见分类模型优缺点
决策树模型
决策树（Decision Tree）是一类常见的机器学习方法，可应用于分类与回归任务，这里主要讨论分类决策树。决策树是基于树结构来进行决策的。下图是使用决策树来决定是否见对象，可以把决策树看作根据要回答的一系列问题，做出决策来进行数据分类。
棵决策树包含一个根结点（Root Node）、若干内部结点（Internal Node）和若干叶节点（Leaf Node）；叶结点对应于决策结果，其他结点则对应于一个属性测试；每个结点包含的样本集合根据属性测试的结果被划分到子结点中；根结点包含样本全集。
从根结点开始，对实例的某一特征进行测试，根据测试结果，将实例分配到其子结点；如此，从根节点到叶节点的每条路径都对应了一个判定测试序列。
鸢尾花决策树实战案例
基于决策树的鸢尾花图像分类_决策树实现图像分类-CSDN博客
逻辑回归
逻辑回归（Logistic Regression）是一种常用于解决分类问题的统计学习方法。尽管名为“回归”，但逻辑回归实际上是一种分类算法，用于预测二分类或多分类问题。以下是逻辑回归的基本思想和工作原理：
鸢尾花逻辑回归实战案例
基于鸢尾花数据集的逻辑回归分类实践_逻辑回归鸢尾花-CSDN博客
神经网络
神经网络分类是机器学习和深度学习中的一个重要应用，特别是在图像识别、文本分类和语音识别等领域。以下是神经网络分类的基本原理：
基于tensorflow深度学习的猫狗分类识别_基于tensorflow猫狗识别-CSDN博客
PyTorch深度学习实战 | 猫狗分类_shear_range-CSDN博客
贝叶斯分类
贝叶斯分类基于贝叶斯定理，是一种基于概率的统计分类方法。它通过计算给定类别的先验概率和给定某个特征的条件概率来为未知数据进行分类。以下是贝叶斯分类的基本原理：
【数据挖掘实验】利用朴素贝叶斯方法对百万搜狐新闻文本数据进行分类-CSDN博客
支持向量机
SVM实现鸢尾花分类_svm对鸢尾花数据集进行分类-CSDN博客
KNN-K最近邻
K最近邻（KNN）分类是一种基于实例的学习方法，它使用最接近的训练样本的类别标签来预测新数据点的标签。以下是KNN分类的基本原理：
KNN算法实现鸢尾花数据集分类-CSDN博客