# 機器學習算法比較 > 原文： [https://pythonbasics.org/machine-learning-algorithms-comparison/](https://pythonbasics.org/machine-learning-algorithms-comparison/) 人工智能（特別是機器學習）的創建是為了簡化開發人員和程序員的工作。 不必編寫很多代碼，您必須在機器學習算法之間進行選擇，然后再決定一種編程語言。 那可能很棘手。 為什么？ 首先，有四種類型的機器學習算法。 ## 機器學習算法 ### 監督學習 監督學習基于**標記的訓練數據**。 監督學習的基礎是稱為訓練數據的數據和一組訓練示例。 帶標簽的訓練集具有預測其他對象上未知標簽的特征。 它有兩種類型： 1. 回歸（如果標簽是實數） 2. 分類（如果標簽是有限且無序的）。  ### 無監督學習 無監督學習是無標簽數據。 無監督學習的基礎是關于對象的信息較少。 這些測試數據沒有標簽，分類或分類。 無監督學習可以在群集中創建具有相似性的對象組，并將所有群集中的不同對象（假定這些對象為異常）分離。 ### 半監督學習 半監督學習被標記和未被標記。 收集有監督和無監督的利弊，半監督學習尤其適合那些無法標記其數據的人。 訓練集具有標記和未標記兩種，以提高準確性。 ### 強化學習 強化學習正在采取行動。 它與之前的有所不同，因為沒有用于強化學習的數據集。 強化學習是軟件代理應采取的措施以最大化回報。 這是訓練以最有效的方式行事。 ### 算法 因此，知道了這一點，就可以快速恢復六種機器學習算法。 * **線性回歸** & **線性分類器**：如果有最簡單的算法，應該使用這些算法。 當您具有成千上萬的特征并需要提供不錯的質量時，可以使用它。 比這些更好的算法可能會過擬合，而回歸和分類器將確保大量特征。 * **Logistic 回歸**：執行二進制分類，因此標簽輸出為二進制。 它采用特征的線性組合，并對其應用非線性函數。 這是非線性分類器最簡單的算法。 * **決策樹**：樹枝和樹葉可以挽救生命。 該算法是從觀察到結論的預測模型。 真實的人可以使用決策樹來做出決策，這使得它很容易理解。 最容易解釋的通常用于組成隨機森林或漸變增強。 * **K-均值**：如果您的目標是根據對象的特征分配標簽，但是您沒有任何標簽，則稱為聚類任務，該算法可以實現這一任務。 但是，有多種聚類方法具有不同的優缺點，應該首先考慮一下。 * **主成分分析（PCA）**：當您具有廣泛的特征，彼此之間高度相關并且模型很容易適合大量數據時，可以應用它。 該算法在減少信息損失最小的情況下很好地減少了維數。 * **神經網絡**：每個特定任務都有許多不同的體系結構或一系列層/組件。 在處理圖像時，神經網絡是理想的選擇。 他們的訓練需要巨大的計算復雜性，但卻提出了算法的新時代。