有监督学习的算法分成以下几类
- 线性分析法(Linear Analysis)。来源于统计学,如最小二乘法,岭回归(ridge regression),套索回归 (Lasso Regression),线性判别分析等
- 梯度下降法(Gradient Descent)。主要有三个分支,批量梯度下降(BGD),随机梯度下降(SGD),小批量梯度下降(MBGD)
- 朴素贝叶斯(Naive Bayes)。基于概率论的分类方法。在贝叶斯理论中,该方法要求所有特征之间相互独立
- 决策树(Decision Tree)。源自风险管理的辅助决策系统,是一个利用树状模型的决策支持工具,根据其建分支的策略不同派生了很多子算法,如ID3、C4.5、CART
- 支持向量机(Support Vector Machine,SVM) 。20世纪60年代就被提出,直到1992年由Bernhard E.Boser 等人改进为可以应用于非线性问题后被广泛应用,在21世纪初期的很长时间里被认为是最好的分类器。
- 神经网络(Neutral Network,NN)。由名称可知源于生物神经学,具有较长历史,可以处理复杂的非线性问题。传统神经网络的研究曾一度停滞,但随着计算机计算能力的提升和卷积网络结构的提出,由其发展而来的深度学习(Deep Learning)已经成为当前机器学习中非常强大的工具。
- 集成学习(Ensemble Learning)。是一种利用若干个基础分类器共同执行决策的方法。此方法近来被广泛应用,其中的随机森林(RandomForrest)正在逐步取代SVM的地位。此外,还有以 AdaBoost为代表的提升方法(Boosting Method)。