目录

一、机器学习算法类型

1. 监督学习(Supervised Learning)

2.无监督学习(Unsupervised Learning)

3.强化学习(Reinforcement Learning)

4.神经网络与深度学习(Neural Networks and Deep Learning)

5.集成学习(Ensemble Learning)

二、分类、回归、聚类、降维的区别

1.分类&回归(Classification & Regression)

2.聚类(Clustering)

3.降纬(Dimensionality Reduction)

 

一、机器学习算法类型

---

1. 监督学习(Supervised Learning)

该算法由一个目标/结果变量（或因变量）组成，该变量将从给定的一组预测变量（自变量）中预测。使用这些变量集，我们生成一个将输入映射到所需输出的函数。训练过程继续进行，直到模型在训练数据上达到所需的准确度。

• 回归(Regression)

  • 线性回归(Linear Regression)

  • 多项式回归(Polnomial Regression)

  • 岭/Lasson回归(Ridge/Lasson Regression)

• 分类(Classfication)

  • K近邻(K-NN)

  • 朴素贝叶斯(Naive Bayes)

  • 逻辑回归(Logistic Regression)

  • 支持向量机(SVM)

  • 决策树(Decision Trees)

2.无监督学习(Unsupervised Learning)

在此算法中，我们没有任何目标或结果变量来进行预测/估计。它用于将人群进行聚类到不同群体中，广泛用于将客户划分到不同的群体中去并进行具体的干预。

• 聚类(Clustering)

  • 模糊C均值聚类(Fuzzy C-Means)

  • 均值偏移(Mean Shift)

  • K均值聚类(K-Means)/K中心点聚类(K-Core)

  • 密度聚类(DBSCAN)

  • 层次聚类(Agglomerative)

• 关联规则(Association Rules)

  • FP-Growth

  • 深度优先(Euclat)

  • 挖掘关联规则的频繁项集算法(Apriori)

• 降维(Dimensionality Reduction)

  •  t-分布领域嵌入算法(t-sne)

  • 主成分分析(PCA)-无监督的数据降维

  • 潜在语义分析(LSA)

  • 奇异值分解(SVD)

  • LDA-有监督的数据降维

3.强化学习(Reinforcement Learning)

使用这种算法，机器经过培训，可以做出具体决策。它的工作原理是这样的：机器暴露在一个环境中，在这个环境中，它通过反复试验不断地训练自己。机器从过去的经验中学习，并尝试获取尽可能好的知识，以做出准确的业务决策。

4.神经网络与深度学习(Neural Networks and Deep Learning)

• 神经网络：一种可以通过观测数据使计算机学习的仿生语言范例

• 深度学习：一组强大的神经网络学习技术

• 卷积神经网络(Convolutional Neural Networks)(CNN)

  • 基于深度卷积神经网络(D-CNN)

• 循环神经网络(Recurrent Neural Networks)(RNN)

  • LSM(Log Structured Merge Trees)

  • GRU

  • LSTM

• 生成对抗网络(Generative Adversarial Networks)

• 自编码器(Autoencoders)

• 图神经网络

  • GNN

  • Louvain

  • 最小生成树（Kruskal算法和Prim算法）

  • PageRank

  • LPA(标签传播算法)

5.集成学习(Ensemble Learning)

 

二、分类、回归、聚类、降维的区别

---

机器学习主要分为四大块，分别是:

Classification (分类)，Regression (回归), Clustering (聚类),  Dimensionality Reduction (降维)。

给定一个样本特征 , 我们希望预测其对应的属性值 , 如果是离散的, 那么这就是一个分类问题，反之，如果  是连续的实数, 这就是一个回归问题。

如果给定一组样本特征 , 我们没有对应的属性值 , 而是想发掘这组样本在维空间的分布, 比如分析哪些样本靠的更近，哪些样本之间离得很远, 这就是属于聚类问题。

如果我们想用维数更低的子空间来表示原来高维的特征空间, 那么这就是降维问题。

1.分类&回归(Classification & Regression)

       无论是分类还是回归，都是想建立一个预测模型 ，给定一个输入  , 可以得到一个输出 , 不同的只是在分类问题中,  是离散的; 而在回归问题中  是连续的。所以总得来说，两种问题的学习算法都很类似。所以在这个图谱上，我们看到在分类问题中用到的学习算法，在回归问题中也能使用。分类问题最常用的学习算法包括 SVM (支持向量机) , SGD (随机梯度下降算法), Bayes (贝叶斯估计), Ensemble, KNN 等。而回归问题也能使用 SVR, SGD, Ensemble 等算法，以及其它线性回归算法。

2.聚类(Clustering)

       聚类也是分析样本的属性, 有点类似classification, 不同的就是classification 在预测之前是知道  的范围, 或者说知道到底有几个类别, 而聚类是不知道属性的范围的。所以 classification 也常常被称为 supervised learning, 而clustering就被称为unsupervised learning。 
clustering 事先不知道样本的属性范围，只能凭借样本在特征空间的分布来分析样本的属性。这种问题一般更复杂。而常用的算法包括 k-means (K-均值), GMM (高斯混合模型) 等。

3.降纬(Dimensionality Reduction)

       降维是机器学习另一个重要的领域, 降维有很多重要的应用, 特征的维数过高, 会增加训练的负担与存储空间, 降维就是希望去除特征的冗余, 用更加少的维数来表示特征.降维算法最基础的就是PCA了, 后面的很多算法都是以PCA为基础演化而来。