机器学习过程主要包括：数据的特征提取、数据预处理、训练模型、测试模型、模型评估改进等几部分
传统机器学习算法主要包括以下五类：
-
回归：建立一个回归方程来预测目标值，用于连续型分布预测
-
分类：给定大量带标签的数据，计算出未知标签样本的标签取值
-
聚类：将不带标签的数据根据距离聚集成不同的簇，每一簇数据有共同的特征
-
关联分析：计算出数据之间的频繁项集合
-
降维：原高维空间中的数据点映射到低维度的空间中
1 线性回归：找到一条直线预测目标值
2 逻辑回归：找到一条直线来分类数据
3 KNN：用距离度量最相近邻的分类标签
4 NB：选着后验概率最大的类为分类标签
5 决策树：构造一科熵值下降最快的分类树
决策树是一种树型结构，其中每个内部结点表示在一个属性上的测试，每个分支代表一个测试输出，每个叶结点代表一种类别。采用的是自顶向下的递归方法，选择信息增益最大的特征作为当前的分裂特征。
6 SVM：构造超平面，分类非线性数据
7 k-means：计算质心，聚类无标签数据
8 关联分析
9 PCA降维：减少数据维度，降低数据复杂度