机器学习类型及典型算法

按照是否有人监督分类

可以分为有监督学习 无监督学习和半监督学习

有监督学习

给定的训练数据是data-label这样的组合，我们可以通过学习data和label之间的对应关系，得到一个模型，从而可以预测新数据的label

常见的算法：

k-近邻:这是一种只需要记录样本数据，不需要消耗计算量学习的方法。通过计算待预测数据与已有数据的距离，取最近的k个距离为参考，得到预测的结果。
线性回归：线性回归是一种计算量小的用于预测连续值的机器学习方法。可以分为一元线性回归和多元线性回归，“元”指的是自变量的个数。这种方法只适用于对线性数据的拟合，对于非线性数据缺乏表达能力。
逻辑回归逻辑回归方法适用于解决二分类问题，先使用线性回归对数据进行线性建模，然后使用sigmoid函数将线性回归的预测结果映射到（0，1）区间内，从而得到分类的概率值。
支持向量机
决策树
随机森林
神经网络

无监督学习

即训练集中只有data，没有对应的label
无监督学习主要是学习和提取数据集合具有的一些特征，如分布特征、维度信息等等

常见算法

聚类
可视化
降维
关联规则学习

半监督学习

半监督学习是指训练数据中部分数据有label，部分数据无label，通过无监督学习的方法将部分的label拓展到全部的数据中，从而使用有监督学习的方法进行训练。
因此大部分的半监督学习是无监督学习和非监督学习的结合。

常见算法

深度置信网络

参考：https://mp.weixin.qq.com/s/u3IyAmpSMhj7Evhxbsh9wg