机器学习算法——小结

监督学习： 

		回归分析	K最近邻	支持向量机	决策树	随机森林	神经网络
调节参数		正则化参数（针对套索回归和岭回归）	最近邻数量	软间隔常数 核参数 不敏感参数	终端节点的最小尺寸 终端节点的最大数量 最大树深度	决策树的所有参数 决策树数量 每次拆分所选的变量数	隐藏层数量 每层神经元数量 训练迭代数 学习速度 初始权重
预测结果	二元结果	√	√	√	√	√	√
	分类结果		√		√	√	√
	类别概率	√	√		√	√	√
	连续结果	√	√		√	√	√
	非线性关系		√	√	√	√	√
分析	变量多			√	√	√	√
	易用	√	√		√	√
	计算速度快	√			√	√
结果	准确度高					√	√
	可解释性	√	√		√

无监督学习：

		K均值聚类	主成分分析	关联股则	Louvain方法	PageRank算法
输入	二元值			√
	连续值	√	√
	节点与边				√	√
输出	分类	√	√		√
	关联			√
	排序					√