机器学习总结（一）——主要算法

自学了一段时间的机器学习后来写写自己的一些理解，首先理一下各种学习方法，以及它们的分类。

机器学习的主要算法分为：

一、监督学习（指样本带有标签，知道每个样本分属哪个类别）：

       主要包括分类和回归，但是很多方法其实可以用于分类，也可以用于回归，如决策树（DT）等。

• 分类—— 1、逻辑回归（Logister Regression）；

                       2、决策树（Decision Tree）                     

                       3、K近邻（KNN）；

                       4、朴素贝叶斯（Naive Bayes）；

                       5、支持向量机（SVM）；

                       6、神经网络（NN）；

                       7、集成算法（Emsemble Learning）

                            Bagging（重复取样，并行训练），代表：随机森林，                                                                                                                     Boosting（提升，串行训练），代表：Adaboosting、Xgboosting，                                                                                                 Stacking（聚合）；

• 回归—— 1、线性回归（Linear Regression）

                       2、非线性回归

二、无监督学习（指样本没有标签，机器学习算法可以自行分类）

      1、K-Means（K均值聚类算法）；

      2、Aporior算法，关联分析；

当然，算法用于有监督学习和无监督学习也不是确定的，有的算法可以用在监督学习的场景，也可以用于无监督学习  。

深度学习也属于机器学习范畴，但是由于它的重要性，另文论述。