回归、分类与聚类：三大方向剖解机器学习算法的优缺点（附Python和R实现）(4)
2017-05-20 编辑：
R 实现：https://stat.ethz.ch/R-manual/R-devel/library/stats/html/hclust.html
3.4 DBSCAN
DBSCAN 是一个基于密度的算法，它将样本点的密集区域组成一个集群。最近还有一项被称为 HDBSCAN 的新进展，它允许改变密度集群。
优点：DBSCAN 不需要假设集群为球状，并且它的性能是可扩展的。此外，它不需要每个点都被分配到一个集群中，这降低了集群的异常数据。
缺点：用户必须要调整「epsilon」和「min_sample」这两个定义了集群密度的超参数。DBSCAN 对这些超参数非常敏感。
Python 实现：http://scikit-learn.org/stable/modules/clustering.html#dbscan
R 实现：https://cran.r-project.org/web/packages/dbscan/index.html
结语
本文从回归问题、分类问题和聚类问题三个角度下初步了解了各个算法的优缺点，也基本了解了那些算法到底是什么。但以上每一个算法都有更多的概念和细节没有展现出来，我们不能知道它们的损失函数是什么、训练目标是什么、权重更新策略是什么等等一些列问题。因此我们希望能从机器之心历来文章中搜寻一些，为有兴趣的读者提供这些算法的具体细节。
线性回归：
初学 TensorFlow 机器学习：如何实现线性回归？（附练习题）
从头开始：用 Python 实现带随机梯度下降的线性回归
决策树（集成方法）：
从头开始：用 Python 实现随机森林算法
从头开始：用 Python 实现决策树算法
支持向量机：
详解支持向量机（附学习资源）
深度学习：
深度神经网络全面概述：从基本概念到实际模型和硬件基础
深度学习与神经网络全局概览：核心技术的发展历程
聚类算法：
机器理解大数据的秘密：聚类算法深度详解
最后，不论是基本概念还是具体算法，最重要的就是实践。不实践这些算法就永远不能发现哪些地方没有掌握，因此希望本文能有助于各位读者实践自己的算法。
原文地址：https://elitedatascience.com/machine-learning-algorithms#regression
读者福利：即日起至 GMIS 2017 大会前一天，读者在头条文章下留言，机器之心会在次日选出最专业或最有见解的一条评论赠送 GMIS 2017 双日票一张！
请点「击阅读原文」查看全部嘉宾阵容，并报名参与机器之心 GMIS 2017。
相关阅读：
相关推荐：