机器学习算法汇总

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）