机器学习的算法可以分为四大类

机器学习的算法通常可以分为以下四大类（中文表述）：

监督学习（Supervised Learning）
- 核心思想：算法使用 带标签（已知结果） 的数据集进行训练，学习输入特征（如像素、文本）与目标变量（如类别标签、连续值）之间的映射关系。
- 目标：训练好的模型能根据新的输入数据预测其对应的输出（标签或值）。
- 典型任务：
  - 分类（Classification）：预测离散的类别标签（如：垃圾邮件检测、图像识别、疾病诊断）。常见算法：逻辑回归（Logistic Regression）、支持向量机（SVM）、决策树（Decision Tree）、随机森林（Random Forest）、K近邻（KNN）、朴素贝叶斯（Naive Bayes）、神经网络/深度学习。
  - 回归（Regression）：预测连续值（如：房价预测、销售量预测）。常见算法：线性回归（Linear Regression）、岭回归（Ridge Regression）、套索回归（Lasso）、决策树（Decision Tree）、随机森林（Random Forest）、梯度提升树（Gradient Boosting Trees）。
无监督学习（Unsupervised Learning）
- 核心思想：算法使用 不带标签（只有特征，没有目标值） 的数据集进行训练，试图发现数据内在的结构、模式或关系。
- 目标：探索数据、压缩数据、发现隐藏模式，无需预测具体的标签或值。
- 典型任务：
  - 聚类（Clustering）：将数据点按相似性自动分组（如：客户分群、新闻主题分组、异常检测）。常见算法：K均值（K-Means）、层次聚类（Hierarchical Clustering）、DBSCAN、高斯混合模型（GMM）。
  - 降维（Dimensionality Reduction）：减少数据的特征数量，同时保留其主要信息（如：数据可视化、减少特征冗余、提高效率）。常见算法：主成分分析（PCA）、t-SNE、LLE（局部线性嵌入）。
  - 关联规则学习（Association Rule Learning）：发现数据项（例如购物篮中的商品）之间的关联关系（如：推荐系统）。常见算法：Apriori、FP-Growth。
  - 异常检测（Anomaly Detection）：识别与大多数数据显著不同的数据点（离群点）。
  - 自监督学习（Self-Supervised Learning）：一种特殊类型，模型从数据本身自动生成标签进行学习（常见于表示学习）。常见算法：Contrastive Learning (如SimCLR, MoCo)。
半监督学习（Semi-Supervised Learning）
- 核心思想：算法同时使用 少量带标签数据 和 大量无标签数据 进行训练。
- 目标：利用无标签数据来弥补有标签数据的不足，提高模型性能，尤其是在有标签数据获取成本高昂的场合。
- 方法举例：生成模型（如半监督高斯混合模型）、基于图的半监督方法、一致性正则化（Consistency Regularization）等（常见于深度学习，如FixMatch）。
强化学习（Reinforcement Learning）
- 核心思想：算法（通常称为“智能体”Agent）通过与环境进行交互，根据其采取的 动作（Actions） 以及由此获得的 奖励（Rewards） 或 惩罚（Penalties） 来学习做出最优决策。
- 目标：学习一个 策略（Policy），该策略能让智能体在特定的环境中，通过选择一系列的动作，最终获得最大的累积奖励。它本质上是在学习如何“行动”以达到长远目标。
- 特点：强调试错学习（Learning by Trial-and-Error） 和延迟奖励（Delayed Reward）。
- 应用场景：游戏AI（如AlphaGo）、机器人控制、自动驾驶、资源管理、推荐系统优化、金融交易策略等。
- 典型算法：Q-Learning、深度Q网络（DQN）、策略梯度（Policy Gradients）、深度确定性策略梯度（DDPG）、近端策略优化（PPO）、Actor-Critic方法等。