机器学习算法分类
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：找到一条直线来预测目标值；
（2）逻辑回归：找到一条直线来分类数据；
（3）K-邻近：用距离度量最相邻的分类标签；
（4）朴素贝叶斯：选择后验概率最大的类为分类标签；
（5）决策树：构造一颗熵值下降最快的分类树；
（6）支持向量机（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）FP-Growth：分析数据的关联关系，从频繁项集中产生关联关系，输出置信度；
（9）PCA降维：减少数据维度，降低数据复杂度；
（10）人工神经网络：逐层抽象，逼近任意函数；
（11）深度学习：底层特征->中层特征->高层特征->预测识别->结果。
supervised learning（监督学习）
1、什么是监督学习？
从给定的训练数据集中学习出一个函数（模型参数），当新的数据到来时，可以根据这个函数预测结果。监督学习的训练集要求包括输入输出，也可以说是特征和目标。训练集中的目标是由人标注的。
unsupervised learning（无监督学习）
1、什么是无监督学习？
在非监督学习中，数据没有附带任何标签，学习过程中并不知道分类结果是否正确。