小样本学习经典算法及近年高效算法

小样本学习是指在数据量较少的情况下进行学习的一类机器学习方法。以下是小样本学习经典算法及近年高效算法：

经典算法：

1. K近邻算法（K-Nearest Neighbor，KNN）

2. 决策树算法（Decision Tree）

3. 支持向量机算法（Support Vector Machine，SVM）

4. 贝叶斯分类器（Bayesian Classifier）

5. 最小二乘法（Least Squares）

6. 神经网络算法（Neural Network）

近年高效算法：

1. 元学习（Meta-Learning）

2. 模型无关元学习（Model-Agnostic Meta-Learning，MAML）

3. 可变形卷积神经网络（Deformable Convolutional Neural Network，DCNN）

4. 全局与局部一致性网络（Global and Local Consistency Network，GLC-Net）

5. 集成学习（Ensemble Learning）

6. 迁移学习（Transfer Learning）

7. 生成对抗网络（Generative Adversarial Network，GAN）

8. 半监督学习（Semi-Supervised Learning）

9. 主动学习（Active Learning）

10. 弱监督学习（Weakly-Supervised Learning）

相关问题

小样本机器学习算法推荐

小样本机器学习算法的选择取决于你的数据类型和问题类型。以下是一些常用的小样本机器学习算法：

1. K近邻算法（KNN）：KNN是一种无参数算法，它可以用于分类和回归问题。它通过计算样本之间的距离来进行分类或回归预测。

2. 决策树算法：决策树是一种基于树形结构的分类算法。它通过对特征进行递归分割来生成树形结构，并使用该结构来进行分类。

3. 支持向量机算法（SVM）：SVM是一种有监督的学习算法，用于分类和回归问题。它通过在所有类别之间寻找最佳的决策边界来进行分类。

4. 随机森林算法：随机森林是一种集成学习算法，通过组合多个决策树来建立一个更强大的分类器。

5. 贝叶斯分类器：贝叶斯分类器是一种概率分类器，它基于贝叶斯定理，通过计算样本属于每个类别的概率来进行分类。

6. 神经网络算法：神经网络是一种模拟人脑的学习算法，它可以用于分类和回归问题。神经网络通过连接多个神经元来进行学习和预测。

以上是一些常用的小样本机器学习算法，你可以根据你的具体问题类型和数据类型选择最适合你的算法。

小样本的机器学习适合什么算法

小样本的机器学习适合以下算法：

1. 决策树：决策树算法不需要大量的数据，可以通过少量数据来构建决策树模型。

2. 支持向量机：SVM算法可以处理小样本的分类问题，同时可以通过核函数将低维数据映射到高维空间进行分类。

3. 贝叶斯分类器：贝叶斯分类器算法基于贝叶斯定理，可以利用少量的样本数据来进行分类。

4. K近邻算法：K近邻算法可以通过计算距离来判断新数据属于哪一类，不需要大量的训练数据。

5. 神经网络：神经网络可以通过少量数据来训练模型，可以应用于小样本的分类和回归问题。