机器学习方法分类总结
这篇文章只是一个类似于知识概括的文章，主要作用是帮忙梳理：
1) 分类
- 贝叶斯模型（Bayesian Mode）
- 朴素贝叶斯算法（Naive Bayesian Mode）
- 平均单依赖估计（AveragedOne-Dependence Estimators， AODE）
- Bayesian Belief Network（BBN） - K-邻近 （k-Nearest Neighbor，KNN）
- 支持向量机（SupportVector Machine， SVM）
- 径向基网络（RBF network）之BP监督训练
- 决策树（Decision Trees）
- 分类及回归树（ClassificationAnd Regression Tree， CART）
- ID3，C4.5，CART
- 卡方自动交互检测法（chi-squared automatic interaction detector, CHAID）
- 决策树桩，单层决策树（Decision Stump）
- 多元自适应回归（MARS）
- 梯度提升树算法，增强树（GBM） - 神经网络（Neural Networks）
- 集成算法
- Boosting
- Bootstrapped Aggregation（Bagging）
- AdaBoost
- 堆叠泛化（Stacked Generalization， Blending）
- 随机森林（Random Forest）
2) 回归
- 线性回归（Linear Regression）
- 最小二乘法（OrdinaryLeast Square）
- 逻辑回归 （Logistic Regression）
- 多项式回归（Polynomial Regression）
- 逐步回归（Stepwise Regression） （缩减方法）
- 岭回归（Ridge Regression）L2
- 稀疏约束（Least Absolute Shrinkage and Selection Operator）（LASSO）L1
- 弹性网络（Elastic Net）
- 多元自适应回归样条（MultivariateAdaptive Regression Splines）
- 本地散点平滑估计（Locally Estimated Scatterplot Smoothing）
3) 聚类
- K-Means（K均值）聚类
- 期望最大化算法（Expectation Maximization， EM）
- 均值漂移聚类（Mean-Shift Clustering）
- 基于密度的聚类（DBSCAN）
- 凝聚层次聚类（Hierarchical Clustering）
- 图团体检测(Graph Community Detection)
- 学习矢量量化（Learning Vector Quantization， LVQ）
- 自组织映射算法（Self-Organizing Map ， SOM）
4) 降维
- 主成份分析（PrincipleComponent Analysis， PCA）
- 拉普拉斯特征映射（Laplacian Eigenmaps，LE）
- 局部保留投影（Locality Preserving Projections，LPP）
- 多维尺度缩放（Multi-Dimensional Scaling, MDS）
- 等度量映射（Isometric Mapping，Isomap)
- 局部线性嵌入（Locally Linear Embedding，LLE）
- 线性判别分析（Linear Discriminant Analysis，LDA）
- 偏最小二乘回归（Partial Least Square Regression，PLS）
关联规则分析
- Apriori算法
- Eclat算法
人工神经网络
- 感知器神经网络（PerceptronNeural Network）
- 反向传递（Back Propagation）
- Hopfield网络
- 自组织映射（Self-OrganizingMap, SOM）
- 学习矢量量化（Learning Vector Quantization， LVQ）；
深度学习
- 受限波尔兹曼机（RestrictedBoltzmann Machine， RBN）
- Deep Belief Networks（DBN）
- 卷积网络（Convolutional Network）
- 堆栈式自动编码器（Stacked Auto-encoders）