文章摘要： 机器学习算法总结。
简介
简要说明
主要功能
注意事项
适用场景
监督学习-回归算法
注释
线性回归（Linear Regression）
岭回归（Ridge Regression）
LASSO回归（Lasso Regression）
弹性网络回归（Elastic Net Regression）
逐步回归（Stepwise Regression）
多项式回归（Polynomial Regression）
支持向量回归（Support Vector Regression, SVR）
决策树回归（Decision Tree Regression）
随机森林回归（Random Forest Regression）
梯度提升回归树（Gradient Boosting Regression Trees, e.g., XGBoost, LightGBM）
AdaBoost回归（AdaBoost Regression）
概率回归（Bayesian Regression）
监督学习-分类算法
注释
逻辑回归（Logistic Regression）
线性判别分析（Linear Discriminant Analysis, LDA）
支持向量机（Support Vector Machine, SVM）
决策树分类（Decision Tree Classification）
随机森林分类（Random Forest Classification）
梯度提升分类树（Gradient Boosting Classification Trees）
AdaBoost分类（AdaBoost Classification）
k-最近邻（k-Nearest Neighbors, k-NN）
朴素贝叶斯（Naive Bayes）
感知机（Perceptron）
多层感知机（Multilayer Perceptron, MLP）
无监督学习-聚类算法
注释
K-均值（K-Means）
层次聚类（Hierarchical Clustering）
密度聚类（DBSCAN）
聚类高斯混合模型（Gaussian Mixture Models, GMM）
无监督学习-降维算法
注释
主成分分析（Principal Component Analysis, PCA）
线性判别分析（Linear Discriminant Analysis, LDA）
t-SNE（t-Distributed Stochastic Neighbor Embedding）
自编码器（Autoencoders, used for dimensionality reduction）
无监督学习-关联规则学习
注释
Apriori算法
Eclat算法
FP-growth算法
半监督学习
注释
自编码器（Autoencoders）
标签传播（Label Propagation）
协同训练（Co-Training）
强化学习
注释
Q学习（Q-Learning）
深度Q网络（Deep Q-Network, DQN）
策略梯度方法（Policy Gradient Methods）
演员-评论家方法（Actor-Critic Methods）
异同策略优化（Proximal Policy Optimization, PPO）
深度确定性策略梯度（Deep Deterministic Policy Gradient, DDPG）
集成学习
注释
随机森林（Random Forest）
梯度提升机（Gradient Boosting Machines, GBM）
AdaBoost
XGBoost
LightGBM
CatBoost
装袋（Bagging）
投票分类器（Voting Classifier）
Stacking
深度学习
注释