机器学习算法分为三类：有监督学习、无监督学习、增强学习。有监督学习需要标识数据（用于训练，即有正例又有负例），无监督学习不需要标识数据，增强学习介于两者之间（有部分标识数据）。常见的机器学习算法有以下几种：
01
决策树
决策树是一个决策支持工具，它使用树形图或决策模型以及序列可能性。包括各种偶然事件的后果、资源成本、功效。决策树可以用来回答Yes和No问题，它通过树形结构将各种情况组合都表示出来，每个分支表示一次选择（选择Yes还是No），直到所有选择都进行完毕，最终给出正确答案。
02
随机森林
顾名思义，随机森林是用随机的方式建立一个森林，森林里面有很多的决策树组成，随机森林的每一棵决策树之间是没有关联的。在得到森林之后，当有一个新的输入样本进入的时候，就让森林中的每一棵决策树分别进行一下判断，看看这个样本应该属于哪一类（对于分类算法），然后看看哪一类被选择最多，就预测这个样本为那一类。
随机深林算法的优势在于能够处理大规模数据集，以及大量看似不相关的数据，可以用于风险评估和客户信息分析。
03
支持向量机（SVM）
支持向量机（SVM）是二元分类算法。给定一组两种类型的N维的地方点，SVM产生一个（N - 1）维超平面到这些点分成两组。假设有两种类型的点，且它们是线性可分的。 SVM将找到一条直线将这些点分成两种类型，并且这条直线会尽可能地远离所有的点。
在规模上，目前使用SVM（在适当修改的情况下）解决的最大的问题包括显示广告、人类剪接位点识别、基于图像的性别检测和大规模的图像分类等等。
04
逻辑回归
逻辑回归模型是一个二分类模型，它选取不同的特征与权重来对样本进行概率分类，用一各log函数计算样本属于某一类的概率。即一个样本会有一定的概率属于一个类，会有一定的概率属于另一类，概率大的类即为样本所属类。
具体应用有：车流分析、信用评级、营销活动成功概率、产品销售预测、预测地震等。
05
朴素贝叶斯
朴素贝叶斯分类是一种十分简单的分类算法，方程 P(A|B)是后验概率，P(B|A)是可能性，P(A)是类先验概率，而P(B)是预测先验概率。朴素贝叶斯的思想基础是这样的：对于给出的待分类项，求解在此项出现的条件下各个类别出现的概率，哪个最大，就认为此待分类项属于哪个类别。朴素贝叶斯分类器基于贝叶斯理论及其假设（即特征之间是独立的，是不相互影响的）。具体应用有：垃圾邮件检测、文章分类、情感分类、人脸识别等。
06
马尔可夫
可观察的马尔科夫决策过程是确定性的——一个给定的状态总是遵循另一个给定的状态。例如交通信号灯的模式。隐马尔科夫模型通过分析可观察的数据来计算隐藏状态的概率，然后通过分析隐藏状态来估计未来可能观察到的模式。比如，通过分析高气压（或低气压）的概率来预测天气是晴天，雨天或多云的可能性。
07
K最近邻
给一个新的数据时，离它最近的k个点中，哪个类别多，这个数据就属于哪一类。例如，要区分猫和狗，通过claws和sound两个feature来判断的话，圆形和三角形是已知分类的了，那么这个 star 代表的是哪一类呢？
k＝3时，这三条线链接的点就是最近的三个点，那么圆形多一些，所以这个star就是属于猫。
08
K均值
想要将一组数据，分为三类，粉色数值大，黄色数值小。最开心先初始化，这里面选了最简单的 3，2，1 作为各类的初始值。剩下的数据里，每个都与三个初始值计算距离，然后归类到离它最近的初始值所在类别。
分好类后，计算每一类的平均值，作为新一轮的中心点。
几轮之后，分组不再变化了，就可以停止了。
09
人工神经网络
人工神经网络算法模拟生物神经网络，是一类模式匹配算法。通常用于解决分类和回归问题。人工神经网络是机器学习的一个庞大的分支，有几百种不同的算法，深度学习就是其中的一类算法。重要的人工神经网络算法包括：感知器神经网络（Perceptron Neural Network）、反向传递（Back Propagation）、Hopfield 网络、自组织映射（Self-Organizing Map, SOM）、学习矢量量化（Learning Vector Quantization，LVQ）。
10
深度学习
深度学习算法是对人工神经网络的发展。在计算能力变得日益廉价的今天，深度学习试图建立大得多也复杂得多的神经网络。很多深度学习的算法是半监督式学习算法，用来处理存在少量未标识数据的大数据集。常见的深度学习算法包括：受限波尔兹曼机（Restricted Boltzmann Machine， RBN）、 Deep Belief Networks（DBN）、卷积网络（Convolutional Network）、堆栈式自动编码器（Stacked Auto-encoders）。
除了以上算法，机器学习的算法还有很多种，具体需要用哪种，很大程度上取决于手头的数据及其特征、训练目标，以及使用场景。
免责声明：转载自网络 不用于商业宣传 版权归原作者所有 侵权删
