十二种主流ML算法

1. 线性回归(Linear Regression)

• 监督学习中的回归问题方法

2. 逻辑回归(Logistic Regression)

• 监督学习中的分类方法

• 二分类问题的首选方法，逻辑函数看起来像一个大S，将任何值转换到0到1的范围

3. 线性判别分析（Linear Discriminant Analysis）LDA

• 有两类以上的分类问题的首选线性分类技术

4. 决策树（Decision Tree）

• 监督学习中的分类方法
• 最简单的ML算法，一颗二叉树或多叉树

5. 朴素贝叶斯（Naive Bayes Classifier）NBC

-监督学习中的分类方法

• 朴素在于假设的每个输入变量是独立的

6. K邻近（K-Nearest Neighbors）KNN

-分类+回归

• KNN模型表示的是整个训练数据集

7. 学习向量量化（Learning Vector Quantization）LVQ

• 聚类方法
• 是一种人工神经网络算法

8. 支持向量机（Support Vector Machine）SVM

-监督学习中的分类方法

• 最流行和最受关注的算法之一
  -可以分析数据，识别模式

9. 随机森林（Random Forest）

• 用于分类、回归和其他任务的集成学习方法

10.AdaBoost

• 一种迭代算法，使用同一个训练集得到不同弱分类器，组合构成一个强分类器

11.限制玻尔兹曼机（Restricted Boltzmann Machine）RBM（非监督）

• 一种可通过输入数据集学习概率分布的随机生成神经网络
• 在降维、分类、协同过滤、特征学习、主题建模

12.K-means聚类（K-Means Clustering）（非监督）

• 聚类方法