机器学习入门必读：6种简单实用算法及学习曲线、思维导图

导读：大部分的机器学习算法主要用来解决两类问题——分类问题和回归问题。在本文当中，我们介绍一些简单但经典实用的传统机器学习算法，让大家对机器学习算法有一个基本的感性认识。

有的人说机器学习入门并不难，有的人会觉得机器学习难以理解。那么该如何去学习机器学习这种技术与方法呢？在本文当中，我们将介绍掌握机器领域知识的学习曲线、技术栈以及常用框架。

作者：卢誉声

来源：大数据DT（ID：hzdashuju）

01 机器学习算法

1. 分类算法

这是一种监督学习方法。有很多算法帮助我们解决分类问题，比如K近邻、决策树、朴素贝叶斯、贝叶斯网络、逻辑回归、SVM等算法。人工神经网络和深度学习也往往用来解决分类问题。这些都是常见和常用的分类算法，只不过不同的算法都有其优劣，会应用在不同的场景下。

我们举一个例子。假设我们知道某个鸟的各个特征，现在要根据这些特征确定这只鸟属于哪种鸟类，这就是所谓的分类问题。

首先，我们要收集能收集到的所有的鸟类信息，包括鸟的各种特征以及鸟的种类，其中颜色、体重、翅膀等属性都属于特征，而种类则是鸟的标签。

其次，我们建立的机器学习的目的就是让用户输入一个鸟的特征，然后输出这个鸟的种类，也就是对应的标签。这个过程就是一个根据鸟的属性分类的过程，只不过是由计算机自动完成的。

2. 回归算法

回归算法也是一种有监督学习方法。回归算法来自于回归分析，回归分析是研究自变量和因变量之间关系的一种预测模型技术。这些技术应用于预测，时间序列模型和找到变量之间的关系。

举个简单例子，我们可以通过计算得出在某些情况下服务器接收请求数量与服务器CPU、内存占用压力之间的关系。

最简单的回归算法就是线性回归，相信大家都对线性回归有所了解。虽然线性回归比较简单，但是越简单粗暴的算法在面对有些实际问题的时候就越实用。深度学习也可以用于解决回归问题。

3. 聚类算法

聚类算法是一类无监督学习算法。聚类是研究（样品或指标࿰