原文链接：https://riboseyim.github.io/2018/02/10/Machine-Learning-Algorithms/
摘要
机器学习算法分类：监督学习、半监督学习、无监督学习、强化学习
基本的机器学习算法：线性回归、支持向量机(SVM)、最近邻居(KNN)、逻辑回归、决策树、k平均、随机森林、朴素贝叶斯、降维、梯度增强
目录
机器学习算法分类
机器学习算法大致可以分为：
- 监督学习 | Supervised learning
- 半监督学习 | Semi-supervised learning
- 无监督学习 | Unsupervised learning
- 强化学习 | Reinforcement learning
监督学习
监督学习算法基于一组示例进行预测。在监督学习训练过程中，可以由训练数据集学到或建立一个模式（函数 / learning model），并依此模式推测新的实例。
监督学习算法要求特定的输入/输出，一个常见的例子是根据当年和前几年的销售情况估算下一年的销售额。首先需要决定 使用哪种数据作为范例。例如，文字识别应用中一个手写的字符，或一行手写文字。监督学习主要算法包括神经网络、支持向量机、最近邻居法、朴素贝叶斯法、决策树等。
- 分类（Classification）：当数据被用于预测分类变量时，监督学习也被称为分类。为图像分配标签或指示器（例如狗或猫）时就是这种情况。当只有两个标签时，这称为二进制分类（ binary classification）。当有两个以上的类别时，这些问题被称为多级分类（multi-class classification）。
- 回归（Regression）：当我们需要预测连续值时，就变成了回归问题。
- 预测（Forecasting）：根据过去和现在的数据对未来进行预测的过程。它最常用于分析趋势。