机器学习算法分类

文章目录

• 机器学习算法分类
• • [📊 一、按学习范式分类（主流方式）](#📊 一、按学习范式分类（主流方式）)
  • • [1. 监督学习（Supervised Learning）](#1. 监督学习（Supervised Learning）)
    • [2. 无监督学习（Unsupervised Learning）](#2. 无监督学习（Unsupervised Learning）)
    • [3. 半监督学习（Semi-Supervised Learning）](#3. 半监督学习（Semi-Supervised Learning）)
    • [4. 强化学习（Reinforcement Learning）](#4. 强化学习（Reinforcement Learning）)
  • [🎯 二、按任务目标分类**](#🎯 二、按任务目标分类**)
  • [🧱 三、按模型结构分类](#🧱 三、按模型结构分类)
  • • [1. 线性模型](#1. 线性模型)
    • [2. 非线性模型](#2. 非线性模型)
    • [3. 神经网络模型](#3. 神经网络模型)
  • [💎 总结：分类对比与应用选择](#💎 总结：分类对比与应用选择)

机器学习算法分类

机器学习算法根据不同的分类标准可分为多种类型，以下综合多个来源的权威分类方式，从​学习范式 ​、​任务目标 ​和​模型结构​三个核心维度进行系统梳理：

📊 一、按学习范式分类（主流方式）

机器学习学习范式分类 监督学习 无监督学习 半监督学习 强化学习 特点：使用带标签数据训练 任务类型： 分类（离散标签） 回归（连续数值） 典型算法： 逻辑回归、决策树 SVM、线性回归 特点：挖掘无标签数据内在结构 任务类型： 聚类（如K-means） 降维（如PCA） 关联分析（如Apriori） 特点：结合少量标注+大量未标注数据 目标：降低标注成本 算法：标签传播、自训练 特点：智能体通过环境交互学习 核心：奖励机制与策略优化 算法：Q学习、DQN 应用：游戏AI、机器人控制

1. 监督学习（Supervised Learning）

• 特点​：使用带标签的训练数据（输入-输出对）学习映射关系，预测新数据的标签。

• 常见算法​：

  • 分类：逻辑回归、决策树、随机森林、支持向量机（SVM）、朴素贝叶斯、K近邻（KNN）。
  • 回归：线性回归、岭回归、Lasso回归、支持向量回归（SVR）。

• 应用场景​：垃圾邮件识别、信用评分、疾病诊断。

2. 无监督学习（Unsupervised Learning）

• 特点​：处理无标签数据，挖掘数据内在结构或模式。

• 任务类型​：

  • 聚类：K-means、层次聚类、DBSCAN（用于客户分群、图像分割）。
  • 降维：主成分分析（PCA）、t-SNE（用于数据可视化、特征压缩）。
  • 关联分析：Apriori（挖掘购物篮规则）。

• 挑战​：结果可解释性弱，依赖特征有效性。

3. 半监督学习（Semi-Supervised Learning）

• 特点​：结合少量标注数据和大量未标注数据训练模型，降低标注成本。

• 算法​：标签传播（Label Propagation）、自训练（Self-training）。

• ​适用场景​：医学影像分析（标注样本稀缺）。

4. 强化学习（Reinforcement Learning）

• 特点​：智能体通过环境交互获取奖励信号，学习最优决策策略。

• ​核心框架​：马尔可夫决策过程（MDP）、Q学习、深度Q网络（DQN）。

• 应用​：自动驾驶、游戏AI（如AlphaGo）、机器人控制。

🎯 二、按任务目标分类**

​​任务类型​​	​​目标​​	​​代表算法​​	​​典型场景​​
​​分类（Classification）​​	预测离散类别标签	SVM、决策树、朴素贝叶斯	图像识别、欺诈检测
​​回归（Regression）​​	预测连续数值	线性回归、随机森林回归	房价预测、销量分析
​​聚类（Clustering）​​	发现数据自然分组	K-means、DBSCAN	市场细分、社交网络分析
​​降维（Dimensionality Reduction）​​	压缩特征维度保留关键信息	PCA、t-SNE	数据可视化、特征工程
​​生成（Generation）​​	生成与训练数据相似的新样本	生成对抗网络（GAN）、变分自编码器（VAE）	图像合成、文本生成

🧱 三、按模型结构分类

1. 线性模型

假设特征与输出呈线性关系（如线性回归、逻辑回归），计算高效但难以处理复杂非线性问题。

2. 非线性模型

• 核方法​：SVM通过核函数映射到高维空间处理非线性。

• ​树模型​：决策树通过特征分割处理非线性，衍生算法如随机森林、梯度提升树（GBRT）提升精度。

3. 神经网络模型

• 基础结构：多层感知机（MLP）、卷积神经网络（CNN）、循环神经网络（RNN）。

• 优势：自动提取高层次特征，在图像、语音、自然语言处理中表现卓越。

💎 总结：分类对比与应用选择

​​分类维度​​	​​关键区别​​	​​典型算法选择建议​​
​​学习范式​​	数据标签需求与学习目标差异	标签完备选监督学习，探索结构选无监督
​​任务目标​​	输出类型（离散/连续/结构）	分类任务用SVM，回归任务用岭回归
​​模型复杂度​​	线性与非线性问题处理能力	简单关系用线性模型，复杂模式用神经网络

💡 ​​提示​​：实际应用中常需组合多种算法（如聚类后分类），并关注数据特性（如高维数据优先降维）。