机器学习算法分类

机器学习算法分类总结！下图整理汇总了机器学习算法分类，包括监督学习、无监督学习、半监督学习、强化学习、迁移学习、深度学习算法等内容。希望本图能够对你有所帮助！

机器学习算法分类

• 机器学习按照训练方式分类
  • 监督学习（Supervised Learning）
    • 人工神经网络（Artificial Neural Network）类
      • 反向传播（Backpropagation）
      • 波尔兹曼机（Boltzmann Machine）
      • 卷积神经网络（Convolutional Neural Network）
      • Hopfield网络（hopfield Network）
      • 多层感知器（Multilyer Perceptron）
      • 径向基函数网络（Radial Basis Function Network，RBFN）
      • 受限波尔兹曼机（Restricted Boltzmann Machine）
      • 回归神经网络（Recurrent Neural Network，RNN）
      • 自组织映射（Self-organizing Map，SOM）
      • 尖峰神经网络（Spiking Neural Network）
    • 贝叶斯类（Bayesin）
      • 朴素贝叶斯（Naive Bayes）
      • 高斯贝叶斯（Gaussian Naive Bayes）
      • 多项朴素贝叶斯（Multinomial Naive Bayes）
      • 平均-依赖性评估（Averaged One-Dependence Estimators，AODE）
      • 贝叶斯信念网络（Bayesian Belief Network，BBN）
      • 贝叶斯网络（Bayesian Network，BN）
    • 决策树（Decision Tree）类
      • 分类和回归树（Classification and Regression Tree，CART）
      • 迭代Dichotomiser3（Iterative Dichotomiser 3， ID3）
      • C4.5算法（C4.5 Algorithm）
      • C5.0算法（C5.0 Algorithm）
      • 卡方自动交互检测（Chi-squared Automatic Interaction Detection，CHAID）
      • 决策残端（Decision Stump）
      • ID3算法（ID3 Algorithm）
      • 随机森林（Random Forest）
      • SLIQ（Supervised Learning in Quest）
    • 线性分类器（Linear Classifier）类
      • Fisher的线性判别（Fisher’s Linear Discriminant）
      • 线性回归（Linear Regression）
      • 逻辑回归（Logistic Regression）
      • 多项逻辑回归（Multionmial Logistic Regression）
      • 朴素贝叶斯分类器（Naive Bayes Classifier）
      • 感知（Perception）
      • 支持向量机（Support Vector Machine）
  • 无监督学习（Unsupervised Learning）
    • 人工神经网络（Artificial Neural Network）类
      • 生成对抗网络（Generative Adversarial Networks，GAN）
      • 前馈神经网络（Feedforward Neural Network）
      • 逻辑学习机（Logic Learning Machine）
      • 自组织映射（Self-organizing Map）
    • 关联规则学习（Association Rule Learning）类
      • 先验算法（Apriori Algorithm）
      • Eclat算法（Eclat Algorithm）
      • FP-Growth算法
    • 分层聚类算法（Hierarchical Clustering）
      • 单连锁聚类（Single-linkage Clustering）
      • 概念聚类（Conceptual Clustering）
    • 聚类分析（Cluster analysis）
      • BIRCH算法
      • DBSCAN算法
      • 期望最大化（Expectation-maximization，EM）
      • 模糊聚类（Fuzzy Clustering）
      • K-means算法
      • K均值聚类（K-means Clustering）
      • K-medians聚类
      • 均值漂移算法（Mean-shift）
      • OPTICS算法
    • 异常检测（Anomaly detection）类
      • K最邻近（K-nearest Neighbor，KNN）算法
      • 局部异常因子算法（Local Outlier Factor，LOF）
  • 半监督学习（Semi-supervised Learning）
    • 生成模型（Generative Models）
    • 低密度分离（Low-density Separation）
    • 基于图形的方法（Graph-based Methods）
    • 联合训练（Co-training）
  • 强化学习（Reinforcement Learning）
    • Q学习（Q-learning）
    • 状态-行动-奖励-状态-行动（State-Action-Reward-State-Action，SARSA）
    • DQN（Deep Q Network）
    • 策略梯度算法（Policy Gradients）
    • 基于模型强化学习（Model Based RL）
    • 时序差分学习（Temporal Different Learning）
  • 深度学习 （Deep Learning）
    • 深度信念网络（Deep Belief Machines）
    • 深度卷积神经网络（Deep Convolutional Neural Networks）
    • 深度递归神经网络（Deep Recurrent Neural Network）
    • 分层时间记忆（Hierarchical Temporal Memory，HTM）
    • 深度波尔兹曼机（Deep Boltzmann Machine，DBM）
    • 栈式自动编码器（Stacked Autoencoder）
    • 生成对抗网络（Generative Adversarial Networks）
  • 迁移学习（Transfer Learning）
    • 归纳式迁移学习（Inductive Transfer Learning）
    • 直推式迁移学习（Transductive Transfer Learning）
    • 无监督式迁移学习（Unsupervised Transfer Learning）
    • 传递式迁移学习（Transitive Transfer Learning）
• 机器学习按照解决问题分类
  • 二分类算法（Two-class Classification）
    • 二分类支持向量机（Two-class SVM）：适用于数据特征较多、线性模型的场景
    • 二分类平均感知器（Two-class Average Perceptron）：适用于训练时间短、线性模型的场景。
    • 二分类逻辑回归（Two-class Logistic Regression）：适用于训练时间短、线性模型的场景
    • 二分类贝叶斯点机（Two-class Bayes Point Machine）：适用于训练时间短、线性模型的场景
    • 二分类决策森林（Two-class Decision Forest）：适用于训练时间短、精准的场景
    • 二分类提升决策树（Two-class Boosted Decision Tree）：适用于训练时间短、精准度高、内存占用量大的场景
    • 二分类决策丛林（Two-class Decision Jungle）：适用于训练时间短、精确度高、内存占用量小的场景
    • 二分类局部深度支持向量机（Two-class Locally Deep SVM）：适用于数据特征较多的场景
    • 二分类神经网络（Two-class Neural Network）：适用于精准度高、训练时间较长的场景
  • 多分类算法（Multi-class Classification）
    • 多分类逻辑回归（Multiclass Logistic Regression）：适用训练时间短、线性模型的场景
    • 多分类神经网络（Multiclass Neural Network）：适用于精准度高、训练时间较长的场景
    • 多分类决策森林（Multiclass Decision Forest）：适用于精准度高，训练时间短的场景
    • 多分类决策丛林（Multiclass Decision Jungle）：适用于精准度高，内存占用较小的场景
    • “一对多”多分类（One-vs-all Multiclass）：取决于二分类器效果
  • 回归算法（Regression）
    • 排序回归（Ordinal Regression）：适用于对数据进行分类排序的场景
    • 泊松回归（Poission Regression）：适用于预测事件次数的场景
    • 快速森林分位数回归（Fast Forest Quantile Regression）：适用于预测分布的场景
    • 线性回归（Linear Regression）：适用于训练时间短、线性模型的场景
    • 贝叶斯线性回归（Bayesian Linear Regression）：适用于线性模型，训练数据量较少的场景
    • 神经网络回归（Neural Network Regression）：适用于精准度高、训练时间较长的场景
    • 决策森林回归（Decision Forest Regression）：适用于精准度高、训练时间短的场景
    • 提升决策树回归（Boosted Decision Tree Regression）：适用于精确度高、训练时间短、内存占用较大的场景
  • 聚类算法（Clustering）
    • 层次聚类（Hierarchical Clustering）：适用于训练时间短、大数据量的场景
    • K-means算法：适用于精准度高、训练时间短的场景
    • 模糊聚类FCM算法（Fuzzy C-means，FCM）：适用于精确度高、训练时间短的场景
    • SOM神经网络（Self-organizing Feature Map，SOM）：适用于运行时间较长的场景
  • 异常检测（Anomaly Detection）
    • 一分类支持向量机（One-class SVM）：适用于数据特征较多的场景
    • 基于PCA的异常检测（PCA-based Anomaly Detection）：适用于训练时间短的场景