Table of Contents
2. 非监督式学习（Unsupervised Learning）
3. 强化学习（Reinforcement Learning）
广义上来说，有3种机器学习算法
1. 监督式学习（Supervised Learning）
工作机制：该算法由一个目标/结果变量（或因变量）组成，该变量由已知的一系列预测变量（自变量）计算而来。利用这一系列变量，我们生成一个将输入值映射到所需输出值的函数。该训练过程会持续进行，直到模型在训练数据上达到预期精确度。监督式学习的例子有：回归（Regression）、决策树（Decision Tree）、随机森林（Random Forest）、K最近邻（KNN）、逻辑回归（Logistic Regression）等等。
2. 非监督式学习（Unsupervised Learning）
工作机制：在该算法中，我们不预测或估计任何目标变量或结果变量。此算法用于不同组内的聚类分析，被广泛用于对不同群体的客户进行细分，从而进行特定的干预。非监督式学习的例子有：Apriori算法、K–均值算法。
3. 强化学习（Reinforcement Learning）
工作机制：该算法能够训练机器进行决策。其工作原理为：让机器处于一个能够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，并试图通过学习最合适的知识来作出精准的商业判断。强化学习的例子有：马尔可夫决策过程（Markov Decision Process）。
常见机器学习算法列表
下面是一些常用的机器学习算法。这些算法几乎可以应用于所有数据问题：
1. 线性回归（Linear Regression）
2. 逻辑回归（Logistic Regression）
3. 决策树（Decision Tree）
4. SVM
5. 朴素贝叶斯（Naive Bayes）
6. K最近邻（kNN）
7. K均值算法（K-Means）
8. 随机森林（Random Forest）
9. 降维算法（Dimensionality Reduction Algorithms）
10. 梯度提升算法（Gradient Boosting algorithms）
[1] GBM
[2] XGBoost
[3] LightGBM
[4] CatBoost
