【机器学习】机器学习算法分类及开发流程 No.6
1、算法分类
数据类型：离散型数据和连续型数据
数据的类型将是机器学习模型不同问题不同处理的依据
(1) 监督学习（预测）：特征值+目标值
- 分类（目标值离散型）： k-近邻算法、贝叶斯分类、决策树与随机森林、逻辑回归，神经网络
- 回归（目标值连续型）：线性回归、岭回归
- 标注：隐马尔科夫模型
(2)非监督学习：只有特征值
- 聚类：k-means
（3）相关概念
- 监督学习：可由输入数据中学到或建立一个模型，并依此推测新的结果。输入数据是由输入特征值和目标值组成。函数的输出可以是一个连续的值（称为回归），或是输出有限个离散值（称作分类）。
- 分类：分类是监督学习的一个核心概念，在监督学习中，当输出变量取有限个离散值时，预测问题变成分类问题。最基础的便是二分类问题，即判断是非，从两个类别中选择一个作为预测结果。
- 回归：回归是监督学习中的一个重要问题。回归用于预测输入变量和输出变量之间的关系，输出是连续型的值。
- 非监督学习：可以由输入数据中学到或建立一个模型，并依此模式推测新的结果。输入数据是由输入特征值组成。