機器學習
特性
優點：易解釋模型推導過程(白箱)，與深度學習相比不需大量資料即可訓練模型
分類、回歸
異常、偵測
Random Forest隨機森林
Logistic Regression
Decision Tree決策樹
NN神經網路
PCA主成份分析
K-mean
SVM支持向量機
缺點：準確率比深度學習低，對於例外狀況的預測較差
用來做分類，找出一個Decision boundary，讓兩類間的Margin最大化。
用來做異常偵測，在ML中做降維 (Dimension reduction)、特徵擷取(filter)。
做為分類或回歸的運算，具有模型易於理解和解釋、只需很少的資料等優點。
用來做分類的，分類問題在參數型學習，通常都是用最大概似函數估計法 MLE求解
一種分群(Cluster)的統計方法
步驟
1.先決定要分k組，並隨機選k個點做群集中心
2.將每一個點分類到離自己最近的群集中心(可用直線距離)。
3.重新計算各組的群集中心(常用平均值)。
反覆 2、3 動作，直到群集不變，群集中心不動為止。
多個決策樹組合而成的