分类问题

机器学习与数据挖掘
问题
分类 聚类 回归 异常检测 关联规则 强化学习 结构预测 特征学习 在线学习 半监督学习 语法归纳
监督学习 (分类 · 回归)
决策树 集成（装袋, 提升，随机森林） k-NN 线性回归 朴素贝叶斯 神经网络 逻辑回归 感知器 支持向量机（SVM） 相关向量机（RVM）
聚类
BIRCH 层次 k平均 期望最大化（EM） DBSCAN OPTICS 均值飘移
降维
因子分析 CCA ICA LDA NMF PCA LASSO t-SNE
结构预测
概率图模型（贝叶斯网络，CRF, HMM）
异常检测
k-NN 局部离群因子
神经网络
自编码 深度学习 多层感知机 RNN 受限玻尔兹曼机 SOM CNN
强化学习
Q学习 SARSA 时间差分学习
理论
偏差/方差困境 计算学习理论 经验风险最小化 PAC学习 统计学习 VC理论

分类问题是机器学习非常重要的一个组成部分，它的目标是根据已知样本的某些特征，判断一个新的样本属于哪种已知的样本类。分类问题也被称为监督式学习(supervised learning)，根据已知训练区提供的样本，通过计算选择特征参数，建立判别函数以对样本进行的分类。 与之相对的称为非监督式学习(unsupervised learning)，也叫做聚类分析。