机器学习算法的基础（使用Python和R代码）之 概述

以下内容翻译于Essentials of Machine Learning Algorithms (with Python and R Codes)

很早以前就看过，当时没来得及翻译。今天稍微翻译一下，方便以后学习的盆友。

机器学习算法概述

从广义上讲，有3种类型的机器学习算法

1.监督学习

工作原理： 该算法由目标/结果变量（或因变量）组成，该变量将从给定的一组预测变量（自变量）中预测。使用这些变量集，我们生成一个将输入映射到所需输出的函数。训练过程直到模型在训练数据上达到所需的准确度才会结束。监督学习的例子：回归，决策树，随机森林，KNN，Logistic回归等。

2.无监督学习

工作原理:在这个算法中，我们没有任何目标或结果变量来预测/估计。它用于将人群聚类到不同的群体中，广泛用于将客户划分到不同的群体中进行具体的干预。无监督学习的例子:Apriori算法，K-means。

3.强化学习

工作原理： 使用此算法，机器经过训练，可以做出具体的决策。它以这种方式工作：机器暴露在一个环境中，在这个环境中，它通过反复试验不断地训练自己。该机器从过去的经验中得到学习，并试图获取尽可能好的知识来做出准确的业务决策。强化学习的例子：马尔可夫决策过程。

常用机器学习算法列表

以下是常用机器学习算法的列表。这些算法几乎可以应用于任何数据问题：

1、线性回归
2、Logistic回归
3、决策树
4、SVM
5、朴素贝叶斯
6、k近邻
7、K均值
8、随机森林
9、降维算法
10、渐变Boosting算法

1 ） GBM
2 ） XGBoost
3 ） LightGBM
4 ） CatBoost