分类任务指标包括准确率（评估总体正确率）、精确率（减少误报）、召回率（减少漏报）、F1分数（平衡精确率和召回率）、混淆矩阵（全面展示预测结果）以及ROC曲线与AUC（评估分类效果）。回归任务指标包含MSE（对异常值敏感）、RMSE（数值直观）、MAE（抗异常值）和R²（解释变异能力）。聚类任务指标有轮廓系数（评估聚类结构）和调整兰德指数（与真实标签一致性比较）

机器学习算法摘要 监督学习：包括线性回归（预测数值）、逻辑回归（二分类）、决策树（易解释但易过拟合）及随机森林（高准确、抗噪声）。SVM适合小样本分类，如医疗诊断。 无监督学习：K-means用于聚类，PCA降维，DBSCAN基于密度聚类并检测异常。时间序列预测常用ARIMA和Prophet。 深度学习：CNN处理图像，RNN/LSTM用于时序数据，GAN生成图像或修复数据，Transformer

梳理了优化算法及其适用场景。基础算法包括梯度下降法（BGD、SGD、MBGD），其中MBGD是深度学习最常用的基础优化器。动量优化通过历史梯度加速收敛，适合复杂地形优化。自适应学习率算法（AdaGrad、RMSProp、Adam）可自动调整参数步长，Adam综合性能最优。二阶算法（牛顿法、L-BFGS）计算代价高但收敛快，适合低维问题。智能优化算法（PSO、GA、SA、EA）通过模拟自然现象实现全