机器学习算法全景图渲染教程：VSCode + PlantUML 插件 & PlantText 在线工具

本文将详细讲解如何在 VSCode + PlantUML 插件（本地高性能渲染）和 PlantText 在线工具（免安装快速渲染）中，完整渲染上文的机器学习 199 + 算法体系 PlantUML 代码，包含环境配置、操作步骤、常见问题解决等全流程。

一、前置知识

PlantUML 是一种通过文本描述生成 UML 图（流程图、架构图、时序图等）的工具，支持多种输出格式（PNG/SVG/PDF），上文的算法全景图基于 PlantUML 语法编写，需借助渲染工具将文本转为可视化图表。

二、方案 1：VSCode + PlantUML 插件（推荐，本地渲染）

2.1 环境准备

2.1.1 安装 VSCode

下载地址：VSCode 官方下载
安装：根据操作系统（Windows/macOS/Linux）选择对应版本，默认安装即可（建议勾选 “添加到 PATH”）。

2.1.2 安装 Graphviz（核心依赖）

PlantUML 渲染图表依赖 Graphviz（图形可视化工具），必须先安装：

Windows：
1. 下载地址：Graphviz 官方下载（选择 Windows 版本，如graphviz-10.0.1-win64.exe）；
2. 安装：勾选 “Add Graphviz to the system PATH for all users”（添加到系统环境变量），默认安装路径C:\Program Files\Graphviz\；
3. 验证：打开 CMD，输入dot -version，若显示版本信息则安装成功。
macOS：
终端执行brew install graphviz（需先安装 Homebrew，若未安装：/bin/bash -c "$(curl -fsSL https://raw.githubusercontent.com/Homebrew/install/HEAD/install.sh)"）。
Linux：
终端执行sudo apt-get install graphviz（Debian/Ubuntu）或sudo yum install graphviz（CentOS）。

2.1.3 安装 PlantUML 插件

打开 VSCode，点击左侧「扩展」图标（快捷键Ctrl+Shift+X）；
在搜索框输入PlantUML，选择由jebbs开发的插件（下载量最高、官方推荐）；
点击「安装」，安装完成后 VSCode 会提示 “重启以生效”（可选，一般无需重启）。

2.2 渲染步骤

2.2.1 创建 PlantUML 文件

打开 VSCode，新建文件夹（如ML-Algorithm-Chart）；
在文件夹内右键 → 「新建文件」，命名为ML-Algorithms.puml（后缀必须为.puml/.plantuml/.pu，插件仅识别这些后缀）。

2.2.2 粘贴代码

打开ML-Algorithms.puml文件；
全选删除默认内容，粘贴上文修正后的完整 PlantUML 代码；
保存文件（快捷键Ctrl+S）。

' 全局样式优化：适配大量算法的可视化
skinparam componentStyle rectangle
skinparam defaultTextAlignment center
skinparam shadowing false
skinparam package {
  BackgroundColor #f5f5f5
  BorderColor #2f4f4f
  FontSize 10
}
skinparam component {
  FontSize 9
  BorderColor #4682b4
}
skinparam note {
  BackgroundColor #e0f7fa
  BorderColor #006064
  FontSize 9
}
skinparam arrow {
  LineThickness 1
  Color #333333
}

title 机器学习199+算法体系全景图（含衍生/改进关系）

' ===================== 第一层：数据预处理（基础层） =====================
package "数据预处理层【18类】" {
  [缺失值处理\n(均值/中位数/众数填充)] as Miss_Fill
  [缺失值处理\n(插值法/KNN填充)] as Miss_Interp
  [缺失值处理\n(MICE/EM填充)] as Miss_MICE
  [异常值处理\n(IQR/3σ法则)] as Outlier_IQR
  [异常值处理\n(DBSCAN/孤立森林)] as Outlier_Detect
  [重复值处理\n(完全重复/近重复)] as Duplicate
  [数据变换\n(对数/指数/Box-Cox)] as Transform_Basic
  [数据变换\n(Yeojohnson/Power)] as Transform_Power
  [归一化\n(Min-Max)] as Norm_MinMax
  [标准化\n(Z-Score)] as Norm_Zscore
  [正则化\n(L1/L2)] as Norm_L1L2
  [类别编码\n(标签编码)] as Encode_Label
  [类别编码\n(独热编码)] as Encode_Onehot
  [类别编码\n(目标编码)] as Encode_Target
  [类别编码\n(WOE编码)] as Encode_WOE
  [特征选择\n(过滤法：卡方/互信息)] as FS_Filter
  [特征选择\n(包裹法：RFE)] as FS_Wrapper
  [特征选择\n(嵌入法：L1正则)] as FS_Embed
  [降维\n(PCA/核PCA)] as Dim_PCA
  [降维\n(TSNE/UMAP)] as Dim_TSNE
  [降维\n(LDA/NMF)] as Dim_LDA
  [数据划分\n(hold-out/分层抽样)] as Split_Holdout
  [数据划分\n(交叉验证：K折/留一)] as Split_CV
  [数据增强\n(SMOTE/ADASYN)] as Aug_SMOTE
  [数据增强\n(随机翻转/裁剪)] as Aug_Image
  [数据增强\n(文本分词/替换)] as Aug_Text
}

' ===================== 第二层：传统统计学习算法【25类】 =====================
package "传统统计学习【25类】" {
  [线性回归\n(普通最小二乘)] as Reg_OLS
  [线性回归\n(加权最小二乘)] as Reg_WLS
  [岭回归] as Reg_Ridge
  [Lasso回归] as Reg_Lasso
  [ElasticNet回归] as Reg_ElasticNet
  [逻辑回归\n(二分类)] as Clf_Logistic_Bin
  [逻辑回归\n(多分类)] as Clf_Logistic_Multi
  [线性判别分析\n(LDA)] as Clf_LDA
  [二次判别分析\n(QDA)] as Clf_QDA
  [朴素贝叶斯\n(高斯)] as Clf_NB_Gauss
  [朴素贝叶斯\n(多项式)] as Clf_NB_Multi
  [朴素贝叶斯\n(伯努利)] as Clf_NB_Bernoulli
  [泊松回归] as Reg_Poisson
  [负二项回归] as Reg_NegBin
  [Cox比例风险回归] as Reg_Cox
  [时间序列AR] as TS_AR
  [时间序列MA] as TS_MA
  [时间序列ARMA] as TS_ARMA
  [时间序列ARIMA] as TS_ARIMA
  [时间序列SARIMA] as TS_SARIMA
  [时间序列VAR] as TS_VAR
  [格兰杰因果检验] as Stat_Granger
  [卡方检验] as Stat_Chi2
  [t检验/ANOVA] as Stat_T_ANOVA
  [皮尔逊/斯皮尔曼相关] as Stat_Corr
}

' ===================== 第三层：监督学习-树模型/集成学习【42类】 =====================
package "监督学习-树模型/集成学习【42类】" {
  ' 基础树模型
  [决策树\n(ID3)] as Tree_ID3
  [决策树\n(C4.5)] as Tree_C45
  [决策树\n(CART)] as Tree_CART
  [决策树\n(CHAID)] as Tree_CHAID
  [决策树\n(M5)] as Tree_M5
  [随机森林\n(基础版)] as Ensemble_RF_Base
  [随机森林\n(ExtraTrees)] as Ensemble_ExtraTrees
  [随机森林\n(RF-PCA)] as Ensemble_RF_PCA
  ' 提升树
  [GBDT\n(基础版)] as Ensemble_GBDT_Base
  [XGBoost\n(基础版)] as Ensemble_XGB_Base
  [XGBoost\n(带缺失值处理)] as Ensemble_XGB_Miss
  [XGBoost\n(列采样版)] as Ensemble_XGB_Col
  [LightGBM\n(基础版)] as Ensemble_LGB_Base
  [LightGBM\n(直方图优化)] as Ensemble_LGB_Hist
  [LightGBM\n(互斥特征捆绑)] as Ensemble_LGB_EFB
  [CatBoost\n(基础版)] as Ensemble_CatB_Base
  [CatBoost\n(类别特征优化)] as Ensemble_CatB_Cat
  [CatBoost\n(有序提升)] as Ensemble_CatB_Ord
  [AdaBoost\n(基础版)] as Ensemble_Ada_Base
  [AdaBoost\n(RealAdaBoost)] as Ensemble_Ada_Real
  [AdaBoost\n(MultiAdaBoost)] as Ensemble_Ada_Multi
  [GradientBoost\n(基础版)] as Ensemble_GB_Base
  [StochasticGB\n(随机梯度提升)] as Ensemble_SGB
  [HistogramGB\n(直方图梯度提升)] as Ensemble_HGB
  ' 堆叠/混合集成
  [Stacking\n(单层)] as Ensemble_Stack_Single
  [Stacking\n(多层)] as Ensemble_Stack_Multi
  [Blending\n(基础版)] as Ensemble_Blend_Base
  [Blending\n(加权融合)] as Ensemble_Blend_Weight
  [Voting\n(硬投票)] as Ensemble_Vote_Hard
  [Voting\n(软投票)] as Ensemble_Vote_Soft
  [Bagging\n(基础版)] as Ensemble_Bag_Base
  [Bagging\n(Pasting)] as Ensemble_Bag_Paste
  [Bagging\n(RandomPatches)] as Ensemble_Bag_Patch
  [Bagging\n(RandomSubspace)] as Ensemble_Bag_Subspace
  ' 工程化变体
  [XGBoost-LR混合] as Ensemble_XGB_LR
  [LightGBM-CatBoost混合] as Ensemble_LGB_CatB
  [RF-GBDT堆叠] as Ensemble_RF_GBDT
  [AdaBoost-SVM混合] as Ensemble_Ada_SVM
  [GBDT+特征衍生] as Ensemble_GBDT_Feat
  [XGBoost+早停] as Ensemble_XGB_EarlyStop
  [LightGBM+正则化] as Ensemble_LGB_Reg
  [CatBoost+交叉验证] as Ensemble_CatB_CV
  [集成学习+网格搜索] as Ensemble_GridSearch
  [集成学习+贝叶斯优化] as Ensemble_BayesOpt
}

' ===================== 第四层：监督学习-核方法/近邻【18类】 =====================
package "监督学习-核方法/近邻【18类】" {
  [KNN\n(基础版)] as KNN_Base
  [KNN\n(加权KNN)] as KNN_Weight
  [KNN\n(KD树优化)] as KNN_KDTree
  [KNN\n(球树优化)] as KNN_BallTree
  [KNN\n(余弦距离)] as KNN_Cosine
  [KNN\n(曼哈顿距离)] as KNN_Manhattan
  [SVM\n(线性核)] as SVM_Linear
  [SVM\n(多项式核)] as SVM_Poly
  [SVM\n(高斯核/RBF)] as SVM_RBF
  [SVM\n(拉普拉斯核)] as SVM_Laplace
  [SVM\n(Sigmoid核)] as SVM_Sigmoid
  [SVM\n(线性软间隔)] as SVM_SoftLinear
  [SVM\n(多分类OVA)] as SVM_Multi_OVA
  [SVM\n(多分类OVO)] as SVM_Multi_OVO
  [LS-SVM\n(最小二乘SVM)] as SVM_LS
  [Nu-SVM\n(ν-SVM)] as SVM_Nu
  [C-SVM\n(C-SVM)] as SVM_C
  [OneClass-SVM\n(单类SVM)] as SVM_OneClass
}

' ===================== 第五层：无监督学习-聚类【24类】 =====================
package "无监督学习-聚类【24类】" {
  ' 划分式聚类
  [K-Means\n(基础版)] as Clust_KMeans_Base
  [K-Means++\n(初始化优化)] as Clust_KMeans_Plus
  [MiniBatch-KMeans] as Clust_MiniKMeans
  [K-Medoids\n(PAM)] as Clust_KMedoids_PAM
  [K-Medians] as Clust_KMedians
  [Fuzzy C-Means\n(模糊C均值)] as Clust_FCM
  [Hard C-Means] as Clust_HCM
  ' 层次聚类
  [层次聚类\n(凝聚式)] as Clust_Hier_Agg
  [层次聚类\n(分裂式)] as Clust_Hier_Div
  [层次聚类\n(单链接)] as Clust_Hier_Single
  [层次聚类\n(全链接)] as Clust_Hier_Complete
  [层次聚类\n(平均链接)] as Clust_Hier_Avg
  [层次聚类\n(沃德法)] as Clust_Hier_Ward
  ' 密度聚类
  [DBSCAN\n(基础版)] as Clust_DBSCAN_Base
  [OPTICS\n(基础版)] as Clust_OPTICS_Base
  [OPTICS\n(改进版)] as Clust_OPTICS_Imp
  [HDBSCAN\n(层次DBSCAN)] as Clust_HDBSCAN
  [MeanShift\n(均值漂移)] as Clust_MeanShift
  [MeanShift\n(带宽优化)] as Clust_MeanShift_Band
  ' 概率聚类
  [GMM\n(高斯混合)] as Clust_GMM_Base
  [GMM\n(EM优化)] as Clust_GMM_EM
  [GMM\n(贝叶斯GMM)] as Clust_BayesGMM
  ' 其他聚类
  [SpectralClustering\n(谱聚类)] as Clust_Spectral
  [AffinityPropagation\n(亲和传播)] as Clust_Affinity
  [Birch\n(层次平衡迭代)] as Clust_Birch
}

' ===================== 第六层：无监督学习-关联规则/降维【16类】 =====================
package "无监督学习-关联规则/降维【16类】" {
  ' 关联规则
  [Apriori\n(基础版)] as AR_Apriori_Base
  [Apriori\n(剪枝优化)] as AR_Apriori_Prune
  [FP-Growth\n(基础版)] as AR_FPG_Base
  [FP-Growth\n(并行版)] as AR_FPG_Parallel
  [Eclat\n(基础版)] as AR_Eclat_Base
  [Eclat\n(垂直数据优化)] as AR_Eclat_Vert
  [PrefixSpan\n(序列模式)] as AR_PrefixSpan
  [SPADE\n(序列模式挖掘)] as AR_SPADE
  [GSP\n(广义序列模式)] as AR_GSP
  ' 降维
  [PCA\n(基础版)] as Dim_PCA_Base
  [PCA\n(增量PCA)] as Dim_PCA_Incremental
  [KernelPCA\n(核PCA)] as Dim_KernelPCA
  [LDA\n(线性判别降维)] as Dim_LDA_Base
  [t-SNE\n(基础版)] as Dim_TSNE_Base
  [UMAP\n(基础版)] as Dim_UMAP_Base
  [NMF\n(非负矩阵分解)] as Dim_NMF_Base
}

' ===================== 第七层：半监督学习【12类】 =====================
package "半监督学习【12类】" {
  [伪标签法\n(基础版)] as SSL_Pseudo_Base
  [伪标签法\n(置信度过滤)] as SSL_Pseudo_Conf
  [自训练\n(基础版)] as SSL_SelfTrain_Base
  [自训练\n(多模型自训练)] as SSL_SelfTrain_Multi
  [协同训练\n(基础版)] as SSL_CoTrain_Base
  [协同训练\n(Co-Training+)] as SSL_CoTrain_Plus
  [Tri-Training] as SSL_TriTrain
  [LabelPropagation\n(标签传播)] as SSL_LabelProp
  [LabelSpreading\n(标签扩散)] as SSL_LabelSpread
  [半监督SVM\n(S3VM)] as SSL_S3VM
  [半监督KMeans] as SSL_KMeans
  [半监督GMM] as SSL_GMM
}

' ===================== 第八层：强化学习【18类】 =====================
package "强化学习【18类】" {
  ' 值迭代
  [Q-Learning\n(基础版)] as RL_Q_Base
  [SARSA\n(基础版)] as RL_SARSA_Base
  [SARSA(λ)] as RL_SARSA_Lambda
  [DQN\n(深度Q网络)] as RL_DQN_Base
  [Double DQN] as RL_DDQN
  [Dueling DQN] as RL_DuelDQN
  [Prioritized DQN] as RL_PDQN
  [Rainbow DQN] as RL_RainbowDQN
  ' 策略迭代
  [Policy Gradient\n(PG)] as RL_PG_Base
  [REINFORCE\n(基础版)] as RL_REINFORCE
  [Actor-Critic\n(基础版)] as RL_AC_Base
  [A2C\n(同步AC)] as RL_A2C
  [A3C\n(异步AC)] as RL_A3C
  [PPO\n(近端策略优化)] as RL_PPO_Base
  [TRPO\n(信任域策略优化)] as RL_TRPO
  [DDPG\n(深度确定性策略)] as RL_DDPG
  [TD3\n(双延迟DDPG)] as RL_TD3
  [SAC\n(软演员评论员)] as RL_SAC
  ' 多智能体
  [MADDPG\n(多智能体DDPG)] as RL_MADDPG
  [MAPPO\n(多智能体PPO)] as RL_MAPPO
}

' ===================== 第九层：深度学习【23类】 =====================
package "深度学习【23类】" {
  ' 基础网络
  [MLP\n(多层感知机)] as DL_MLP_Base
  [MLP\n(带Dropout)] as DL_MLP_Dropout
  [CNN\n(基础LeNet)] as DL_CNN_LeNet
  [CNN\n(AlexNet)] as DL_CNN_AlexNet
  [CNN\n(VGG)] as DL_CNN_VGG
  [CNN\n(ResNet)] as DL_CNN_ResNet
  [CNN\n(ResNeXt)] as DL_CNN_ResNeXt
  [CNN\n(DenseNet)] as DL_CNN_DenseNet
  [CNN\n(EfficientNet)] as DL_CNN_EffNet
  ' 序列模型
  [RNN\n(基础版)] as DL_RNN_Base
  [LSTM\n(基础版)] as DL_LSTM_Base
  [GRU\n(基础版)] as DL_GRU_Base
  [Bi-LSTM\n(双向LSTM)] as DL_BiLSTM
  [Bi-GRU\n(双向GRU)] as DL_BiGRU
  [Transformer\n(基础版)] as DL_Transformer_Base
  [BERT\n(基础版)] as DL_BERT_Base
  [GPT\n(基础版)] as DL_GPT_Base
  ' 生成模型
  [GAN\n(基础版)] as DL_GAN_Base
  [DCGAN\n(深度卷积GAN)] as DL_DCGAN
  [WGAN\n(Wasserstein GAN)] as DL_WGAN
  [VAE\n(变分自编码器)] as DL_VAE_Base
  [CVAE\n(条件VAE)] as DL_CVAE
  ' 迁移学习
  [Fine-tuning\n(微调)] as DL_Finetune
  [Feature Extraction\n(特征提取)] as DL_FeatExtract
  [Domain Adaptation\n(域适配)] as DL_DomainAdapt
}

' ===================== 第十层：异常检测【9类】 =====================
package "异常检测【9类】" {
  [孤立森林\n(IsolationForest)] as AD_IForest
  [局部异常因子\n(LOF)] as AD_LOF
  [OC-SVM\n(单类SVM)] as AD_OCSVM
  [AutoEncoder\n(自编码器)] as AD_AE
  [RobustPCA\n(鲁棒PCA)] as AD_RPCA
  [OneClassRF\n(单类随机森林)] as AD_OneClassRF
  [KNN异常检测] as AD_KNN
  [GMM异常检测] as AD_GMM
  [时间序列异常\n(MA/EWMA)] as AD_TS_EWMA
}

' ===================== 第十一层：应用场景 & 评估指标 =====================
package "典型应用场景【10类】" {
  [数值预测\n(回归)] as Scene_Reg
  [二分类\n(如欺诈检测)] as Scene_Clf_Bin
  [多分类\n(如图像识别)] as Scene_Clf_Multi
  [多标签分类] as Scene_Clf_MultiLabel
  [用户分群\n(聚类)] as Scene_Clust_User
  [异常检测\n(风控/故障)] as Scene_AD
  [序列预测\n(时间序列)] as Scene_TS
  [推荐系统\n(关联/协同)] as Scene_Rec
  [强化决策\n(游戏/调度)] as Scene_RL
  [生成任务\n(图像/文本)] as Scene_Generate
}

package "模型评估指标【16类】" {
  ' 回归指标
  [MSE] as Metric_MSE
  [RMSE] as Metric_RMSE
  [MAE] as Metric_MAE
  [MAPE] as Metric_MAPE
  [R²] as Metric_R2
  ' 分类指标
  [Accuracy] as Metric_ACC
  [Precision] as Metric_Prec
  [Recall] as Metric_Recall
  [F1-Score] as Metric_F1
  [AUC-ROC] as Metric_AUC
  [AUC-PR] as Metric_AUCPR
  ' 聚类指标
  [轮廓系数] as Metric_Silhouette
  [CH指数] as Metric_CH
  [DB指数] as Metric_DB
  ' 强化学习指标
  [累计奖励] as Metric_RL_Reward
  [胜率] as Metric_RL_Win
  ' 生成模型指标
  [Inception Score] as Metric_Gen_IS
  [FID] as Metric_Gen_FID
}

' ===================== 核心流程关系（算法间继承/改进/衍生） =====================
' 1. 数据预处理 → 所有算法层
Miss_Fill --> Miss_Interp : 基础填充→高级填充
Miss_Interp --> Miss_MICE : 插值→模型填充
Outlier_IQR --> Outlier_Detect : 统计法→检测法
Transform_Basic --> Transform_Power : 基础变换→幂变换
Encode_Label --> Encode_Onehot : 标签→独热
Encode_Onehot --> Encode_Target : 独热→目标编码
Norm_MinMax --> Norm_Zscore : 归一化→标准化
FS_Filter --> FS_Wrapper : 过滤→包裹法
FS_Wrapper --> FS_Embed : 包裹→嵌入法
Dim_PCA --> Dim_KernelPCA : 线性PCA→核PCA
Dim_TSNE --> Dim_UMAP_Base : TSNE→UMAP（高效版）
Split_Holdout --> Split_CV : 简单划分→交叉验证
Aug_SMOTE --> Aug_Image : 数值增强→图像增强

' 2. 传统统计学习 → 监督学习（基础→进阶）
Reg_OLS --> Reg_Ridge : 无正则→L2正则
Reg_Ridge --> Reg_ElasticNet : L2→L1+L2
Clf_Logistic_Bin --> Clf_Logistic_Multi : 二分类→多分类
Clf_LDA --> Clf_QDA : 线性判别→二次判别
TS_AR --> TS_MA : AR→MA
TS_MA --> TS_ARMA : MA→ARMA
TS_ARMA --> TS_ARIMA : ARMA→ARIMA
TS_ARIMA --> TS_SARIMA : ARIMA→季节性ARIMA

' 3. 树模型 → 集成学习（基础→改进）
Tree_ID3 --> Tree_C45 : ID3→C4.5（信息增益率）
Tree_C45 --> Tree_CART : C4.5→CART（基尼系数）
Tree_CART --> Ensemble_RF_Base : 单树→随机森林
Ensemble_RF_Base --> Ensemble_ExtraTrees : RF→极端随机树
Tree_CART --> Ensemble_GBDT_Base : 单树→GBDT
Ensemble_GBDT_Base --> Ensemble_XGB_Base : GBDT→XGBoost
Ensemble_XGB_Base --> Ensemble_XGB_Miss : 基础XGB→缺失值优化
Ensemble_XGB_Base --> Ensemble_XGB_Col : 基础XGB→列采样
Ensemble_XGB_Base --> Ensemble_XGB_EarlyStop : 基础XGB→早停
Ensemble_XGB_Base --> Ensemble_XGB_LR : XGB→XGB+LR
Ensemble_GBDT_Base --> Ensemble_LGB_Base : GBDT→LightGBM
Ensemble_LGB_Base --> Ensemble_LGB_Hist : 基础LGB→直方图优化
Ensemble_LGB_Base --> Ensemble_LGB_EFB : LGB→互斥特征捆绑
Ensemble_LGB_Base --> Ensemble_LGB_Reg : LGB→正则化
Ensemble_LGB_Base --> Ensemble_LGB_CatB : LGB→LGB+CatBoost
Ensemble_Ada_Base --> Ensemble_Ada_Real : 基础Ada→RealAda
Ensemble_Ada_Base --> Ensemble_Ada_Multi : 基础Ada→多分类Ada
Ensemble_GB_Base --> Ensemble_SGB : GB→随机GB
Ensemble_SGB --> Ensemble_HGB : 随机GB→直方图GB
Ensemble_Vote_Hard --> Ensemble_Vote_Soft : 硬投票→软投票
Ensemble_Bag_Base --> Ensemble_Bag_Paste : Bagging→Pasting
Ensemble_Bag_Base --> Ensemble_Bag_Patch : Bagging→RandomPatches
Ensemble_Stack_Single --> Ensemble_Stack_Multi : 单层Stack→多层Stack
Ensemble_Blend_Base --> Ensemble_Blend_Weight : 基础Blend→加权Blend
Ensemble_RF_Base --> Ensemble_RF_GBDT : RF→RF+GBDT堆叠
Ensemble_Ada_Base --> Ensemble_Ada_SVM : Ada→Ada+SVM

' 4. 核方法/近邻 → 改进关系
KNN_Base --> KNN_Weight : 基础KNN→加权KNN
KNN_Base --> KNN_KDTree : 基础KNN→KD树优化
KNN_KDTree --> KNN_BallTree : KD树→球树（高维）
KNN_Base --> KNN_Cosine : 欧氏距离→余弦距离
SVM_Linear --> SVM_Poly : 线性核→多项式核
SVM_Poly --> SVM_RBF : 多项式核→高斯核
SVM_RBF --> SVM_Laplace : 高斯核→拉普拉斯核
SVM_Linear --> SVM_SoftLinear : 硬间隔→软间隔
SVM_Linear --> SVM_Multi_OVA : 二分类→OVA多分类
SVM_Multi_OVA --> SVM_Multi_OVO : OVA→OVO多分类
SVM_Linear --> SVM_LS : 标准SVM→最小二乘SVM
SVM_C --> SVM_Nu : C-SVM→Nu-SVM
SVM_Linear --> SVM_OneClass : 监督SVM→单类SVM

' 5. 无监督聚类 → 改进关系
Clust_KMeans_Base --> Clust_KMeans_Plus : 基础KMeans→KMeans++
Clust_KMeans_Plus --> Clust_MiniKMeans : KMeans++→迷你批处理
Clust_KMeans_Base --> Clust_KMedoids_PAM : KMeans→KMedoids
Clust_KMedoids_PAM --> Clust_KMedians : KMedoids→KMedians
Clust_Hier_Agg --> Clust_Hier_Single : 凝聚聚类→单链接
Clust_Hier_Single --> Clust_Hier_Complete : 单链接→全链接
Clust_Hier_Complete --> Clust_Hier_Avg : 全链接→平均链接
Clust_Hier_Avg --> Clust_Hier_Ward : 平均链接→沃德法
Clust_DBSCAN_Base --> Clust_OPTICS_Base : DBSCAN→OPTICS
Clust_OPTICS_Base --> Clust_OPTICS_Imp : OPTICS→改进版
Clust_DBSCAN_Base --> Clust_HDBSCAN : DBSCAN→层次DBSCAN
Clust_MeanShift --> Clust_MeanShift_Band : 均值漂移→带宽优化
Clust_GMM_Base --> Clust_GMM_EM : 基础GMM→EM优化
Clust_GMM_EM --> Clust_BayesGMM : GMM→贝叶斯GMM

' 6. 关联规则 → 改进关系
AR_Apriori_Base --> AR_Apriori_Prune : 基础Apriori→剪枝优化
AR_Apriori_Base --> AR_FPG_Base : Apriori→FP-Growth
AR_FPG_Base --> AR_FPG_Parallel : FP-Growth→并行版
AR_Eclat_Base --> AR_Eclat_Vert : 基础Eclat→垂直数据优化
AR_PrefixSpan --> AR_SPADE : PrefixSpan→SPADE
AR_SPADE --> AR_GSP : SPADE→GSP

' 7. 半监督学习 → 改进关系
SSL_Pseudo_Base --> SSL_Pseudo_Conf : 基础伪标签→置信度过滤
SSL_SelfTrain_Base --> SSL_SelfTrain_Multi : 基础自训练→多模型
SSL_CoTrain_Base --> SSL_CoTrain_Plus : 基础协同训练→Co-Training+
SSL_CoTrain_Plus --> SSL_TriTrain : Co-Training+→Tri-Training
SSL_LabelProp --> SSL_LabelSpread : 标签传播→标签扩散
SSL_S3VM --> SSL_KMeans : 半监督SVM→半监督KMeans

' 8. 强化学习 → 改进关系
RL_Q_Base --> RL_SARSA_Base : Q-Learning→SARSA
RL_SARSA_Base --> RL_SARSA_Lambda : SARSA→SARSA(λ)
RL_Q_Base --> RL_DQN_Base : Q-Learning→DQN
RL_DQN_Base --> RL_DDQN : DQN→Double DQN
RL_DDQN --> RL_DuelDQN : Double DQN→Dueling DQN
RL_DuelDQN --> RL_PDQN : Dueling DQN→优先经验回放DQN
RL_PDQN --> RL_RainbowDQN : 优先DQN→Rainbow DQN
RL_PG_Base --> RL_REINFORCE : PG→REINFORCE
RL_REINFORCE --> RL_AC_Base : REINFORCE→Actor-Critic
RL_AC_Base --> RL_A2C : AC→同步AC
RL_A2C --> RL_A3C : A2C→异步AC
RL_AC_Base --> RL_PPO_Base : AC→PPO
RL_PPO_Base --> RL_TRPO : PPO→TRPO
RL_DDPG --> RL_TD3 : DDPG→TD3
RL_TD3 --> RL_SAC : TD3→SAC
RL_DDPG --> RL_MADDPG : DDPG→多智能体DDPG
RL_PPO_Base --> RL_MAPPO : PPO→多智能体PPO

' 9. 深度学习 → 改进关系
DL_MLP_Base --> DL_MLP_Dropout : 基础MLP→带Dropout
DL_CNN_LeNet --> DL_CNN_AlexNet : LeNet→AlexNet
DL_CNN_AlexNet --> DL_CNN_VGG : AlexNet→VGG
DL_CNN_VGG --> DL_CNN_ResNet : VGG→ResNet（残差）
DL_CNN_ResNet --> DL_CNN_ResNeXt : ResNet→ResNeXt
DL_CNN_ResNeXt --> DL_CNN_DenseNet : ResNeXt→DenseNet
DL_CNN_DenseNet --> DL_CNN_EffNet : DenseNet→EfficientNet
DL_RNN_Base --> DL_LSTM_Base : RNN→LSTM
DL_LSTM_Base --> DL_GRU_Base : LSTM→GRU
DL_LSTM_Base --> DL_BiLSTM : LSTM→双向LSTM
DL_GRU_Base --> DL_BiGRU : GRU→双向GRU
DL_Transformer_Base --> DL_BERT_Base : Transformer→BERT
DL_Transformer_Base --> DL_GPT_Base : Transformer→GPT
DL_GAN_Base --> DL_DCGAN : GAN→DCGAN
DL_DCGAN --> DL_WGAN : DCGAN→WGAN
DL_VAE_Base --> DL_CVAE : VAE→条件VAE
DL_Finetune --> DL_FeatExtract : 微调→特征提取
DL_FeatExtract --> DL_DomainAdapt : 特征提取→域适配

' 10. 异常检测 → 算法关联
AD_IForest --> AD_LOF : 孤立森林→LOF
AD_OCSVM --> AD_AE : 单类SVM→自编码器
AD_RPCA --> AD_IForest : 鲁棒PCA→孤立森林
AD_KNN --> AD_GMM : KNN异常→GMM异常
AD_TS_EWMA --> AD_AE : 时间序列统计→自编码器

' 11. 算法 → 应用场景
Reg_OLS --> Scene_Reg : 线性回归→数值预测
Ensemble_XGB_Base --> Scene_Reg : XGB→数值预测
Clf_Logistic_Bin --> Scene_Clf_Bin : 逻辑回归→二分类
Ensemble_LGB_Base --> Scene_Clf_Multi : LGB→多分类
SVM_Multi_OVA --> Scene_Clf_MultiLabel : SVM→多标签分类
Clust_KMeans_Plus --> Scene_Clust_User : KMeans++→用户分群
AD_IForest --> Scene_AD : 孤立森林→异常检测
TS_ARIMA --> Scene_TS : ARIMA→序列预测
AR_FPG_Base --> Scene_Rec : FP-Growth→推荐系统
RL_PPO_Base --> Scene_RL : PPO→强化决策
DL_GAN_Base --> Scene_Generate : GAN→生成任务

' 12. 应用场景 → 评估指标
Scene_Reg --> Metric_MSE : 回归→MSE
Scene_Reg --> Metric_RMSE : 回归→RMSE
Scene_Reg --> Metric_MAE : 回归→MAE
Scene_Reg --> Metric_R2 : 回归→R²
Scene_Clf_Bin --> Metric_ACC : 二分类→ACC
Scene_Clf_Bin --> Metric_Prec : 二分类→Precision
Scene_Clf_Bin --> Metric_Recall : 二分类→Recall
Scene_Clf_Bin --> Metric_F1 : 二分类→F1
Scene_Clf_Bin --> Metric_AUC : 二分类→AUC
Scene_Clust_User --> Metric_Silhouette : 聚类→轮廓系数
Scene_Clust_User --> Metric_CH : 聚类→CH指数
Scene_RL --> Metric_RL_Reward : 强化学习→累计奖励
Scene_Generate --> Metric_Gen_IS : 生成模型→Inception Score
Scene_Generate --> Metric_Gen_FID : 生成模型→FID

' ===================== 补充注释（关键算法分支） =====================
note right of Ensemble_XGB_Base
  <b>树模型衍生链：</b>
  ID3 → C4.5 → CART → GBDT → XGBoost → LightGBM → CatBoost
  核心改进：正则化、缺失值处理、直方图优化、类别特征适配
end note

note bottom of RL_DQN_Base
  <b>值迭代RL衍生链：</b>
  Q-Learning → SARSA → DQN → Double DQN → Dueling DQN → Rainbow DQN
  核心改进：经验回放、目标网络、优先采样、多分支融合
end note

note left of Clust_KMeans_Base
  <b>聚类算法选型逻辑：</b>
  • 球形簇→K-Means++
  • 任意形状簇→DBSCAN/HDBSCAN
  • 概率软聚类→GMM
  • 高维数据→谱聚类/AffinityPropagation
end note

' ===================== 全局图例 =====================
legend right
  <b>图例说明：</b>
  • 实线箭头：算法继承/改进/衍生关系（左→右：基础→进阶）
  • 算法分层：预处理→统计学习→监督/无监督→半监督/强化/深度学习→异常检测
  • 覆盖规模：199+算法（含基础版/改进版/工程化变体）
  • 评估逻辑：按任务类型（回归/分类/聚类/RL/生成）匹配专属指标
end legend

@enduml

2.2.3 渲染图表

方式 1：快捷键渲染（推荐）

将光标定位到代码文件内，按下Alt+D（Windows/Linux）或Option+D（macOS），插件会自动渲染并在右侧打开预览窗口。

方式 2：右键菜单渲染

在代码编辑区右键 → 选择「PlantUML: Preview Current Diagram」，即可打开预览窗口。

方式 3：实时预览

插件默认开启 “实时预览”，修改代码后预览窗口会自动刷新，无需手动重新渲染。

image.png

2.3 导出高清图表

在预览窗口右上角，点击「导出」图标（下载样式）；
选择输出格式：
- PNG：推荐，高清位图，适合嵌入 PPT/Word；
- SVG：矢量图，无限缩放不失真，适合大屏展示 / 网页嵌入；
- PDF：文档格式，适合打印 / 存档；
选择保存路径，点击「保存」即可。

2.4 常见问题解决

问题 1：预览窗口空白 / 提示 “Graphviz not found”

原因：Graphviz 未安装或环境变量未生效；
解决：
1. 确认 Graphviz 已安装（dot -version验证）；
2. 重启 VSCode（环境变量生效需要重启）；
3. 若仍报错，手动配置 Graphviz 路径：
  - VSCode 设置 → 搜索PlantUML: Dot Path；
  - 填写 Graphviz 的dot.exe路径（如 Windows：C:\Program Files\Graphviz\bin\dot.exe）。

问题 2：渲染速度慢 / 图表显示不全

原因：算法全景图组件多（199 + 算法），渲染负载高；
解决：
1. 关闭 VSCode 其他无关插件；
2. 降低渲染分辨率（临时）：设置 → 搜索PlantUML: Preview Scale，调整为 0.8；
3. 导出时选择 SVG 格式（渲染更快，且无分辨率问题）。

问题 3：中文乱码

原因：VSCode 默认字体不支持中文；
解决：
1. VSCode 设置 → 搜索Font Family；
2. 添加中文字体（如"Microsoft YaHei, Consolas, 'Courier New', monospace"）；
3. 重启 VSCode。

三、方案 2：PlantText 在线工具（免安装，快速渲染）

3.1 工具介绍

PlantText 是 PlantUML 官方推荐的在线渲染工具，无需安装任何软件，仅需浏览器即可完成代码编辑、渲染、导出，适合临时使用或无本地环境的场景。

官网地址：PlantText Online

3.2 渲染步骤

3.2.1 打开工具并清空默认代码

打开浏览器，访问https://www.planttext.com/；
页面左侧是代码编辑区，默认有示例代码，全选（Ctrl+A）并删除。

3.2.2 粘贴代码并渲染

将上文修正后的完整 PlantUML 代码粘贴到左侧编辑区；
点击编辑区上方的「Refresh」按钮（或按Ctrl+R），右侧会自动渲染图表；
- 首次渲染可能需要 3-5 秒（加载 Graphviz 依赖），耐心等待。

3.2.3 导出图表

渲染完成后，点击右侧预览区下方的「Export」按钮；
选择输出格式：
- PNG：高清位图；
- SVG：矢量图（推荐）；
- PDF：文档格式；
- TXT：仅导出代码（无意义）；
点击对应格式，浏览器会自动下载文件。

3.3 优势与局限

优势

免安装：无需配置 Graphviz/VSCode，开箱即用；
跨平台：支持所有浏览器（Chrome/Firefox/Edge）；
自动保存：代码编辑区会自动保存（基于浏览器缓存）。

局限

渲染速度：比本地插件慢（尤其复杂图表）；
代码长度限制：免费版支持最大 1000 行代码（上文代码约 800 行，可正常使用）；
隐私问题：代码会临时存储在服务器，敏感场景建议用本地方案。

3.4 常见问题解决

问题 1：渲染后图表排版错乱

原因：在线工具的 Graphviz 版本与本地不一致；
解决：
1. 点击编辑区上方的「Settings」按钮；
2. 在「Graphviz Engine」中切换引擎（如dot/neato/fdp），推荐dot（与本地一致）；
3. 重新点击「Refresh」渲染。

问题 2：导出的 PNG 模糊

原因：在线工具默认 PNG 分辨率较低；
解决：优先导出 SVG 格式，再用矢量图工具（如 Inkscape/Illustrator）转为高清 PNG。

四、渲染效果优化建议

无论使用哪种方案，针对上文的 “机器学习 199 + 算法体系全景图”，可通过以下方式优化渲染效果：

调整布局：若图表过宽 / 过长，可在代码开头添加scale 0.8（缩小整体比例）；
颜色适配：若导出后颜色偏淡，可在代码中调整skinparam的颜色值（如BorderColor #000000加深边框）；
字体优化：确保代码中指定中文字体（如FontName "Microsoft YaHei"），避免中文显示异常；
分模块渲染：若整体渲染卡顿，可将代码拆分为 “数据预处理层”“监督学习层” 等子模块，单独渲染后拼接。

五、总结

方案	优势	劣势	适用场景
VSCode + PlantUML	渲染快、高清、支持实时编辑	需要安装配置环境	日常开发 / 高频使用 / 复杂图表
PlantText 在线工具	免安装、跨平台、操作简单	速度慢、分辨率有限、隐私风险	临时使用 / 快速预览 / 简单图表

对于上文的 “机器学习 199 + 算法体系全景图”，优先推荐 VSCode + PlantUML 插件，可获得最佳的渲染效果和操作体验；若仅需快速预览，可选择 PlantText 在线工具。

详细介绍一下Graphviz的安装过程

如何在PlantText在线工具中渲染机器学习算法全景图？

机器学习算法全景图有哪些应用场景？

机器学习算法全景图渲染教程：VSCode + PlantUML 插件 & PlantText 在线工具