一、按学习方式分类
1.监督学习（Supervised Learning）
（1）定义 ：使用已标记的数据 进行训练 ，每个输入数据都有对应的输出标签 。模型学习输入与输出之间的映射关系。
按以上可以分为以下两种：
分类任务 ：将输入分配到预定义的类别（如0-9数字识别）。
回归任务 ：预测连续数值（如房价预测）。
（2）常用算法：线性回归、逻辑回归、决策树、随机森林、支持向量机（SVM）、神经网络等。
2.无监督学习（Unsupervised Learning）
（1）定义 ：使用未标记的数据 进行训练。模型通过找到输入数据中的模式来进行学习。
聚类任务 ：将相似的数据点分为同一组（如客户细分）。
降维任务 ：减少数据的维度 以便于分析和可视化（如主成分分析）。
（2）常用算法：K均值聚类（K-Means Clustering）、DBSCAN、主成分分析（PCA）、t-SNE等。
3.强化学习（Reinforcement Learning）
（1）定义 ：通过与环境的交互学习 。智能体通过采取行动获得奖励或惩罚，以最大化累积奖励。
核心概念：智能体、环境、状态、行动和奖励。
（2）常用算法：Q学习（Q-Learning）、深度Q网络（DQN）、策略梯度方法、Proximal Policy Optimization（PPO）等。
二、按任务类型分类
1.分类算法（Classification Algorithms）
将输入数据分类到预定义类别中。算法有逻辑回归、随机森林、支持向量机、决策树、朴素贝叶斯、K-最近邻（KNN）等。
2.回归算法（Regression Algorithms）
预测连续变量。算法有线性回归、岭回归、套索回归（Lasso Regression）等。
3.聚类算法（Clustering Algorithms）
将数据集划分为不同的组。示例算法：K均值、DBSCAN、层次聚类等。
4.降维算法（Dimensionality Reduction Algorithms）
简化数据集，去除冗余特征。示例算法：主成分分析（PCA）、线性判别分析（LDA）等。
三、按模型结构分类
1.线性模型
假设输入特征和输出变量之间存在线性关系。如线性回归。
2.非线性模型
假设输入特征和输出变量之间存在非线性关系。如支持向量机（SVM，通过核函数实现非线性映射）、神经网络等。
3.基于树的模型
通过递归分割特征空间构建树状结构进行分类或回归。如决策树、随机森林、梯度提升树（GBDT）、XGBoost等。
4.基于神经网络的模型
通过训练神经元之间的连接权重来预测目标变量。如多层感知机（MLP）、卷积神经网络（CNNs）、循环神经网络（RNNs）、长短期记忆网络（LSTM）、Transformer模型等。
四、其他分类方式
1.集成学习（Ensemble Learning）
（1）定义：结合多个模型的预测以提高性能。如Bagging（如随机森林）、Boosting（如AdaBoost、XGBoost）等。
2.半监督学习（Semi-supervised Learning）
（1）定义：结合少量有标签和大量无标签的数据进行训练。应用：在标注数据稀缺的情况下提高模型性能。