机器学习常用算法总结

因为最近一段时间准备找工作的事情，所以对之前机器学习的内容做了一个梳理。

结合麦子学院里面大牛的教程，这里对机器学习中常用的算法进行归纳和总结。

机器学习总的可以分为以下四类：

• 监督学习（Supervised Learning）
• 非监督学习（Unsupervised Learning）
• 半监督学习（Semi-Supervised Learning）
• 强化学习（Reinforcement Learning）

监督学习（Supervised Learning）

1.监督学习：分类（Classification）

• 决策树（Decision Tree） 【代码】

• KNN（K Nearest Neighbor） 【代码】

• 支持向量机（Support Vector Machine）

  • 线性可区分 【代码】
  • 线性不可分 【代码】

• 神经网络（Neural Network） 【代码一】 【代码二】

  注：神经网络既可以用来做分类（classification）问题，也可以用来解决回归（regression）问题。

2.监督学习：回归（Regression）

• 线性回归
  • 简单线性回归 【代码】
  • 多元线性回归 【代码】
• 非线性回归 【代码】
• 回归中的相关度和R平方值 【代码】

非监督学习（Unsupervised Learning）

1.非监督学习：聚类（Clustering）

• 用K-mean算法聚类（Clustering） 【代码】
• 用Hierarchical clustering算法聚类 【代码】

2.非监督学习：降维（Dimensionality Reduction）

• PCA
• 流形学习

SIGAI算法地图

SK-Learn Examples

http://scikit-learn.org/stable/

SK-learn: Choosing the right estimator