在上一篇文章中我們給大家介紹了機器學習的步驟，機器學習中的步驟有三個，第一就是表示，第二就是評價，第三就是優化。上一篇文章中我們給大家介紹了機器學習的第一個步驟——表示，而表示還涉及到了一些算法，下面我們就給大家介紹一下這些內容。

機器學習中涉及到了很多的算法，比如K-近鄰算法、回歸模型、決策樹、SVM支持向量機。我們首先給大家說一下K-近鄰算法。在機器學習當中，我們常見的有 K-近鄰算法。K-近鄰算法實際上就是，找到一個樣本點和這個樣本點最近的幾個鄰居，最近的這K個鄰居。按照少數服從多數的原則，對它進行分類，這就是 K-近鄰算法。而回歸模型也是表示步驟中使用最多的內容。回歸模型是一種預測性的建模技術，它研究的是因變量和自變量之間的關系。這種技術通常用於預測分析，時間序列模型以及發現變量之間的因果關系。除此之外，還有線性回歸，這樣的統計學習方法。當然，對二分類我們可以建立邏輯回歸模型。

然後我們說一下決策樹，是在已知各種情況發生概率的基礎上，通過構成決策樹來求取凈現值的期望值大於等於零的概率，評價項目風險，判斷其可行性的決策分析方法，是直觀運用概率分析的一種圖解法。由於這種決策分支畫成圖形很像一棵樹的枝幹，故稱決策樹。在機器學習中，決策樹是一個預測模型，他代表的是對象屬性與對象值之間的一種映射關系。決策樹它不依賴於數據，它完全是自頂向下的一個設計。線性回歸也好，邏輯回歸也好，它是從數據反過來去推導模型，而決策樹直接去用模型判定數據，兩個方向不太一樣。最後我們說一下SVM支持向量機。SVM支持向量機這樣的純數學方法。所以說表示的部分，我們需要把問題和數據進行抽象，這個時候我們就要用到抽象的工具。而支持向量機這種算法就能夠解決這些問題。

我們在這篇文章中給大家介紹了機器學習中表示步驟中涉及到的算法，具體的算法有K-近鄰算法、回歸模型、決策樹、SVM支持向量機。這些算法在機器學習中都是十分實用的，所以我們要想掌握機器學習一定不要忽視這些算法。

機器學習的步驟都有哪些（二）