机器学习算法
参考博客：https://blog.csdn.net/lemonbit/article/details/125775595#:~:text=干货| 机器学习模型与算法最全分类汇总！ 1 线性回归、逻辑回归、Lasso回归、Ridge回归、线性判别分析 2 K近邻、决策树、感知机、神经网络、支持向量机 3,AdaBoost、GBDT、XGBoost、LightGBM、CatBoost、随机森林 4 聚类算法与kmeans、主成分分析、奇异值分解 5 最大信息熵、朴素贝叶斯、贝叶斯网络、EM算法 6 隐马尔可夫模型、条件随机场、马尔可夫链蒙特卡洛方法。
三种机器学习算法
一、 监督式学习
工作机制：从有标记数据中学习，由一个目标变量或结果变量(或因变量)组成。这些变量由已知的一系列预示变量(自变量)预测而来。利用这一系列变量，我们生成一个将输入值映射到期望输出值的函数。这个训练过程会一直持续，直到模型在训练数据上获得期望的精确度。
回归
1、线性回归
博客链接：https://www.cnblogs.com/fyuan0206/p/17218593.html
2、多项式回归
博客链接：https://www.cnblogs.com/fyuan0206/p/17244148.html
3、决策树
博客链接：https://www.cnblogs.com/fyuan0206/p/17388123.html
二、非监督式学习
工作机制：从没有标记数据中学习，没有任何目标变量或结果变量要预测或估计。这个算法用在不同的组内聚类分析。这种分析方式被广泛地用来细分客户，根据干预的方式分为不同的用户组。
三、强化学习
工作机制：这个算法训练机器进行决策。它是这样工作的：机器被放在一个能让它通过反复试错来训练自己的环境中。机器从过去的经验中进行学习，并且尝试利用了解最透彻的知识作出精确的商业判断。 强化学习的例子有马尔可夫决策过程。
