机器学习算法分类
| 分类 | 工作机制 | 算法 |
|---|---|---|
| 监督式学习 | 这个算法由一个目标变量或结果变量（或因变量）组成。这些变量由已知的一系列预示变量（自变量）预测而来。利用这一系列变量，我们生成一个将输入值映射到期望输出值的函数。这个训练过程会一直持续，直到模型在训练数据上获得期望的精确度 | 回归、决策树、随机森林、K – 近邻算法、逻辑回归 |
| 非监督式学习 | 在这个算法中，没有任何目标变量或结果变量要预测或估计。这个算法用在不同的组内聚类分析。这种分析方式被广泛地用来细分客户，根据干预的方式分为不同的用户组 | 关联算法、K – 均值算法 |
| 强化学习 | 这个算法训练机器进行决策。它是这样工作的：机器被放在一个能让它通过反复试错来训练自己的环境中。机器从过去的经验中进行学习，并且尝试利用了解最透彻的知识作出精确的商业判断 | 马尔可夫决策过程 |
- [[Linear Regression]]
- [[Logistic Regression]]
- [[Decision Trees]]
- [[Support Vector Machines (SVM)]]
- [[Naive Bayes]]
- [[K-Nearest Neighbors (KNN)]]
- [[K-Means Clustering]]
- [[Random Forests]]
- [[Dimensionality Reduction]]
- [[Gradient Boosting & AdaBoost]]