一、机器学习的方法包括:

1.监督学习 supervised learning;  --最常用

特点：有数据和标签

算法：分类和回归

解释：有监督学习是指对数据的若干特征与若干标签（类型）之间的关联性进行建模的过程；只要模型被确定，就可以应用到新的未知数据上。这类学习过程可以进一步分为分类（classification）任务与回归（regression）任务。在分类任务中，标签都是离散值；而在回归任务中，标签都是连续值。

2.非监督学习 unsupervised learning;

特点：只有数据没有标签

算法：聚类

解释：无监督学习是指对不带任何标签的数据特征进行建模，通常被看成是一种“让数据自己介绍自己”的过程。这类模型包括聚类（clustering）任务和降维（dimensionality reduction）任务。聚类算法可以将数据分成不同的组别，而降维算法追求用更简洁的方式表现数据。

3.半监督学习 semi-supervised learning;

特点：少量有标签的样本，大量没有标签的样本

4.强化学习 reinforcement learning;

特点：从经验中总结提升

5.遗传算法 genetic algorithm.

特点：从经验中总结提升，适者生存

二、算法选择路径图：

三、模型特点

最近邻

     适用于小型数据集，是很好的基准模型，很容易解释。

线性模型

     非常可靠的首选算法，适用于非常大的数据集，也适用于高维数据。

朴素贝叶斯

     只适用于分类问题。比线性模型速度还快，适用于非常大的数据集和高维数据。精度通常要低于线性模型。

决策树

     速度很快，不需要数据缩放，可以可视化，很容易解释。

随机森林

     几乎总是比单棵决策树的表现要好，鲁棒性很好，非常强大。不需要数据缩放。不适用于高维稀疏数据。

梯度提升决策树

     精度通常比随机森林略高。与随机森林相比，训练速度更慢，但预测速度更快，需要的内存也更少。比随机森林需要更多的参数调节。

支持向量机

     对于特征含义相似的中等大小的数据集很强大。需要数据缩放，对参数敏感。

神经网络

     可以构建非常复杂的模型，特别是对于大型数据集而言。对数据缩放敏感，对参数选取敏感。大型网络需要很长的训练时间。