按照学习方式划分，机器学习可以分为：
| 学习方式 | 描述 |
|---|---|
| 监督式学习 | 训练集目标:有标注; 如回归分析，统计分类 |
| 非监督式学习 | 训练集目标:无标注;如聚类、GAN(生成对抗网络) |
| 半监督式学习 | 介于监督式与无监督式之间 |
| 增强学习 | 智能体不断与环境进行交互，通过试错的方式来获得最佳策略 |
按照学习任务划分，机器学习可以分为：
| 学习任务 | 描述 |
|---|---|
| 分类 | 分类是预测一个标签 （是离散的），属于监督学习 |
| 回归 | 回归是预测一个数量 （是连续的），属于监督学习 |
| 聚类 | 属于无监督学习 |
它们之间的关系如图所示：
机器学习分类算法：
一、Logistic 回归
Logistic 回归是一种线性分类器，针对的是线性可分问题。线性回归可以预测连续值，但是不能解决分类问题。而逻辑回归就是将线性回归的(−∞,+∞)结果，通过sigmoid函数映射到(0,1) 之间。
首先，假设线性回归方程：
二、贝叶斯分类器
三、决策树
https://www.cnblogs.com/pinard/p/6053344.html
https://www.cnblogs.com/wxquare/p/5379970.html
四、支持向量机
https://blog.csdn.net/b285795298/article/details/81977271
https://zhuanlan.zhihu.com/p/77750026?utm_source=wechat_session
https://zhuanlan.zhihu.com/p/31886934
五、K近邻算法
六、随机森林
七、卷积神经网络