人工智能之自然语言处理（NLP）算法分类总结

<>目录

文章目录

* 目录 <https://blog.csdn.net/u014597198/article/details/82182462#_0>
* 一、人工智能学习算法分类 <https://blog.csdn.net/u014597198/article/details/82182462#_2>
* 1. 纯算法类 <https://blog.csdn.net/u014597198/article/details/82182462#1__6>
* 2.建模方面 <https://blog.csdn.net/u014597198/article/details/82182462#2_15>
* 二、详细算法 <https://blog.csdn.net/u014597198/article/details/82182462#_18>
* 1.分类算法 <https://blog.csdn.net/u014597198/article/details/82182462#1_19>
* 2.回归算法 <https://blog.csdn.net/u014597198/article/details/82182462#2_40>
* 3.聚类算法 <https://blog.csdn.net/u014597198/article/details/82182462#3_45>
* 4.降维算法 <https://blog.csdn.net/u014597198/article/details/82182462#4_51>
* 5.概率图模型算法 <https://blog.csdn.net/u014597198/article/details/82182462#5_54>
* 6.文本挖掘算法 <https://blog.csdn.net/u014597198/article/details/82182462#6_58>
* 7.优化算法 <https://blog.csdn.net/u014597198/article/details/82182462#7_97>
* 8.深度学习算法 <https://blog.csdn.net/u014597198/article/details/82182462#8_102>
* 三、建模方面 <https://blog.csdn.net/u014597198/article/details/82182462#_108>
* 1.模型优化· <https://blog.csdn.net/u014597198/article/details/82182462#1_109>
* 2.数据预处理 <https://blog.csdn.net/u014597198/article/details/82182462#2_115>

<>一、人工智能学习算法分类

人工智能算法大体上来说可以分类两类：基于统计的机器学习算法(Machine Learning)和深度学习算法(Deep Learning)

总的来说，在sklearn中机器学习算法大概的分类如下：

<>1. 纯算法类

(1).回归算法
(2).分类算法
(3).聚类算法
(4)降维算法
(5)概率图模型算法
(6)文本挖掘算法
(7)优化算法
(8)深度学习算法

<>2.建模方面

(1).模型优化
(2).数据预处理

<>二、详细算法

<>1.分类算法

(1).LR (Logistic Regression，逻辑回归又叫逻辑分类)
(2).SVM (Support Vector Machine，支持向量机)
(3).NB (Naive Bayes，朴素贝叶斯)
(4).DT (Decision Tree，决策树)

* 1).C4.5
* 2).ID3
* 3).CART
(5).集成算法

* 1).Bagging
* 2).Random Forest (随机森林)
* 3).GB(梯度提升,Gradient boosting)
* 4).GBDT (Gradient Boosting Decision Tree)
* 5).AdaBoost
* 6).Xgboost
(6).最大熵模型

<>2.回归算法

(1).LR (Linear Regression，线性回归)
(2).SVR (支持向量机回归)
(3). RR (Ridge Regression，岭回归)

<>3.聚类算法

(1).Knn
(2).Kmeans 算法
(3).层次聚类
(4).密度聚类

<>4.降维算法

(1).SGD (随机梯度下降)

<>5.概率图模型算法

(1).贝叶斯网络
(2).HMM
(3).CRF (条件随机场)

<>6.文本挖掘算法

(1).模型

* 1).LDA (主题生成模型，Latent Dirichlet Allocation)
* 2).最大熵模型
(2).关键词提取

* 1).tf-idf
* 2).bm25
* 3).textrank
* 4).pagerank
* 5).左右熵 :左右熵高的作为关键词
* 6).互信息：
(3).词法分析

* 1).分词
– ①HMM (因马尔科夫)
– ②CRF (条件随机场)
* 2).词性标注
* 3).命名实体识别
(4).句法分析

* 1).句法结构分析
* 2).依存句法分析
(5).文本向量化

* 1).tf-idf
* 2).word2vec
* 3).doc2vec
* 4).cw2vec
(6).距离计算

* 1).欧氏距离
* 2).相似度计算
<>7.优化算法

(1).正则化

* 1).L1正则化
* 2).L2正则化
<>8.深度学习算法

(1).BP
(2).CNN
(3).DNN
(3).RNN
(4).LSTM

<>三、建模方面

<>1.模型优化·

* (1).特征选择
* (2).梯度下降
* (3).交叉验证
* (4).参数调优
* (5).模型评估：准确率、召回率、F1、AUC、ROC、损失函数
<>2.数据预处理

* (1).标准化
* (2).异常值处理
* (3).二值化
* (4).缺失值填充：支持均值、中位数、特定值补差、多重插补

热门工具换一换

人工智能 之 自然语言处理（NLP）算法分类总结