用一句话总结常用的机器学习算法

1、贝叶斯分类器 Bayes Classifier
核心：将样本判定为后验概率最大的类。

---

2、决策树 Decision Trees
核心：一组嵌套的判定规则。

---

3、kNN 算法
核心：模板匹配，将样本分到离它最相似的样本所属的类。

---

4、主成分分析 PCA
核心：向重构误差最小（方差最大）的方向做线性投影。

---

5、线性判别分析 --  Linear Discrimination Analysis（LDA）
核心：向最大化类间差异、最小化类内差异的方向线性投影。

---

6、局部线性插入（流形学习）--  Locally Linear Embedding（LLE）
核心：用一个样本点的邻居的线性组合近似重构这个样本，将样本投影到低维空间中后依然保持这种线性组合关系。

---

7、等距映射（流形学习）--  Isometric mapping（Isomap）
核心：将样本投影到低维空间之后依然保持相对距离关系。

---

8、人工神经网络 ANN
核心：一个多层的复合函数。

---

9、支持向量机 SVM
核心：最大化分类间隔的线性分类器（不考虑核函数）。

---

10、逻辑回归 Logistic Regression
核心：直接从样本估计出它属于正负样本的概率。

---

11、随机森林 Random Forest
核心：用有放回采样的样本训练多棵决策树，训练决策树的每个节点是只用了无放回抽样的部分特征，预测时用这些树的预测结果进行投票。

---

12、AdaBoost 算法
核心：用多个分类器的线性组合来预测，训练时重点关注错分的样本，准确率高的弱分类器权重大。

---

13、卷积神经网络 CNN
核心：一个共享权重的多层复合函数。

---

14、循环神经网络 RNN
核心：综合了复合函数和递推数列的一个函数。

---

15、K均值算法 K-means
核心：把样本分配到离它最近的类中心所属的类，类中心由属于这个类的所有样本确定