1. 监督学习算法： 线性回归：猜测接连值。 逻辑回归：猜测二元分类。 决策树：经过树状结构进行分类或回归。 随机森林：集成多个决策树以改进猜测功能。 支撑向量机（SVM）：在高维空间中找到最佳超平面进行分类。 K最近邻（KNN）：依据最类似的数据点进行分类或回归。

2. 无监督学习算法： K均值聚类：将数据点分组为K个簇。 层次聚类：创立一个树状结构来表明数据的层次联系。 主成分剖析（PCA）：降维技能，经过正交变换将数据投影到较低维度的空间。 自组织映射（SOM）：将高维数据映射到低维网格上，保存拓扑结构。

4. 强化学习算法： Q学习：经过学习Q值来找到最优战略。 深度Q网络（DQN）：运用深度神经网络来估量Q值。 方针梯度：经过优化战略参数来最大化希望报答。

这些算法在机器学习范畴中有广泛的使用，能够依据具体问题和数据特色挑选适宜的算法进行建模和猜测。

一、监督学习算法（Supervised Learning）

1.1 回归算法（Regression Algorithms）

线性回归（Linear Regression）

岭回归（Ridge Regression）

lasso回归（Lasso Regression）

支撑向量回归（Support Vector Regression，SVR）

1.2 分类算法（Classification Algorithms）

逻辑回归（Logistic Regression）

决策树（Decision Tree）

随机森林（Random Forest）

支撑向量机（Support Vector Machine，SVM）

朴素贝叶斯（Naive Bayes）

K最近邻（K-Nearest Neighbors，KNN）

二、无监督学习算法（Unsupervised Learning）

无监督学习算法经过剖析未符号的数据来发现数据中的形式。以下是几种常见的无监督学习算法：

2.1 聚类算法（Clustering Algorithms）

K均值（K-Means）

层次聚类（Hierarchical Clustering）

DBSCAN（Density-Based Spatial Clustering of Applications with Noise）

2.2 降维算法（Dimensionality Reduction Algorithms）

主成分剖析（Principal Component Analysis，PCA）

线性判别剖析（Linear Discriminant Analysis，LDA）

非负矩阵分化（Non-negative Matrix Factorization，NMF）

三、半监督学习算法（Semi-Supervised Learning）

图半监督学习（Graph-based Semi-supervised Learning）

四、强化学习算法（Reinforcement Learning）

Q学习（Q-Learning）

深度Q网络（Deep Q-Network，DQN）

战略梯度（Policy Gradient）

五、集成学习算法（Ensemble Learning）

Bagging（Bootstrap Aggregating）

Boosting（Boosting）

随机森林（Random Forest）

梯度提高决策树（Gradient Boosting Decision Tree，GBDT）

未经允许不得转载：全栈博客园 » 机器学习算法汇总