都有各种旨在执行特定任务的特殊算法。 这些算法可以执行不同的任务或与其他算法同步工作。 以下是每个数据科学家都应该了解的 5 种基本算法，以了解机器学习的基础知识：
可以将回归分析视为方程式
例如，在等式 y = 2x + z 中，y 是因变量，x 和 z 是自变量。 回归分析发现 x 和 z 对 y 值的影响有多大。
同样的逻辑适用于更高级和更复杂的问题，并且有多种类型的回归算法用于此目的。 让我们来看看其中的一些及其应用领域：
线性回归
线性回归本质上是一种确定两个变量之间关系的线性方法； 这些值之一是依赖值，另一个是独立值。 它有助于理解一个变量的变化如何影响另一个变量以及导致结果为正或负的关系。
线性回归表示为直线 y = a + bx 并应用于估计输出连续且具有恒定斜率的情况：
销售预测 风险评估 天气数据分析
预测分析 客户调查结果分析 优化产品价格
逻辑回归
逻辑回归算法，通常是两个值之一； 它用于导致 中国移动号码数据库 通过或失败、真或假的二元分类问题。 它是最适合需要估计因变量落入响应的两个类别之一的概率的算法。
该算法用于分析分类数据； 它用于诸如找出给定的笔迹是否与相关人员匹配以及预测未来几个月油价是否会上涨等情况。
此外Logistic 回归算法可用于以下应用
信用评分
癌症检测
地理图像处理
手写识别
图像分割和分类
衡量营销活动的成功率
估算特定产品的收入
地震预报
岭回归
当回归模型变得过于复杂时，岭回归； 固定 美国电话号码 模型系数的大小。
