一、机器学习模型分类-按形式分类
机器学习模型按学习形式分为监督学习、半监督学习和无监督学习。
1、监督学习
监督学习的输入是有标记的样本，通过对数据样本进行训练，生成模型，模型用于对后续搜集的无标记样本进行的预测、分类等。
2、无监督学习
监督学习的输入是无标记的样本，算法试图提取数据内潜在的规则或者结构。
3、半监督学习
监督学习的输入既包含有标记的样本也包含无标记的样本，算法需要基于标记的样本学习数据内潜在的规则。
二、机器学习模型分类-按相似性分类
机器学习模型按相似性分类如下图所示。
1、回归模型
回归模型是表示变量间关系的模型，通过不断最小化预测偏差的方式得到模型的参数。
2、实例模型
实例模型基于数据间的相似度进行匹配。
3、正则化
正则化以模型参数函数做为惩罚项，以简化模型，是防止过拟合的一种方式。
4、决策树模型
决策树是一种树形结构的决策模型。
5、贝叶斯模型
贝叶斯模型是基于贝叶斯理论的模型。
6、规则学习算法
规则学习算法是提取数据间关系规则的算法。
7、人工神经网络模型
人工神经网络模型是基于生物神经网络结构的模型。
8、聚类算法
聚类算法是分析数据内部关系和结构的算法。
9、集成学习
集成学习将单独训练弱模型合成算法。
10、深度学习
深度学习是神经网络模型的改进。减少了参数个数和提高了参数求解的性能。
11、优化算法
优化算法包含求解机器学习目标函数，目标搜索相关算法。
12、其他
特定领域除了用到上述基本算法，有其相应的特征算法体系，例如自然语言处理、推荐系统、机器视觉、图计算、强化学习等。
本文内容参考以下链接，写博客的目的是学习的总结和知识的共享，如有侵权，请与我联系，我将尽快处理
https://machinelearningmastery.com/a-tour-of-machine-learning-algorithms/