机器学习、神经网络（深度学习）常用算法汇总
整体分类：机器学习分为传统机器学习 + 深度学习（神经网络），深度学习是基于多层神经网络的机器学习子集。
一、传统机器学习算法（非神经网络）
特点：人工设计特征、无需多层神经网络、小数据可用、结构简单、可解释性强
1. 监督学习算法（有标签、有标准答案）
-
KNN（K近邻算法）：惰性学习，通过距离投票分类，典型用于手写数字识别
-
SVM（支持向量机）：经典高精度分类算法，适合中小样本图像分类
-
逻辑回归：二分类经典算法，用于概率预测、分类判别
-
决策树 / 随机森林：多特征综合分类、抗干扰能力强
-
朴素贝叶斯：基于概率统计的快速分类算法
2. 无监督学习算法（无标签、自动聚类分组）
-
KMeans（K均值聚类）：最常用聚类算法，自动根据特征相似度分组，用于点集聚类、图像色彩分割
-
层次聚类：逐层合并聚类，适合小规模数据分析
3. 强化学习
通过试错、奖惩机制优化策略，多用于机器人、自动驾驶、智能决策
二、神经网络 / 深度学习算法（多层神经网络）
特点：依靠多层神经网络、自动提取特征、依赖大数据与GPU、属于机器学习子集
1. 基础神经网络
-
BP神经网络：基础反向传播神经网络，浅层网络模型
2. 卷积神经网络 CNN（计算机视觉核心）
专门处理图
转载自 CSDN-专业IT技术社区
原文链接：https://blog.csdn.net/qq_25408423/article/details/162912547
