机器学习算法分类及开发流程

监督学习（英语：Supervised learning）

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和目标值所组成。函数的输出可以是一个连续的值（称为回归—），或是输出是有限个离散值（称作分类）。

无监督学习（英语：unSupervised learning）

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所组成。

• 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
    • 概念：分类是监督学习的一个核心问题，在监督学习中，当输出变量取有限个离散值时，预测问题变为分类问题。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（目标值连续型） 线性回归、岭回归
    • 概念：回归是监督学习的另一个重要问题。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。
  • 标注 隐马尔可夫模型（不做要求）
• 无监督学习 (特征值)
  • 聚类 k-means

机器学习开发流程