机器学习是一种从数据中自动分析获得规律，并利用规律对未知数据进行预测的算法。机器学习算法可以根据学习方式或者功能形式进行分类。常见的机器学习算法有：

根据学习方式分类

监督学习：监督学习是利用带有标签的数据进行训练，算法依据标签和预测之间的差异对模型进行修正，然后根据模型对新的数据进行分类或回归的算法。例如，线性回归、逻辑回归、支持向量机、决策树、随机森林、朴素贝叶斯等。

无监督学习：无监督学习是指利用没有标签的数据进行训练，由于数据没有标签因此无法对无监督学习得到的模型进行对错衡量。例如，k-均值、EM算法、主成分分析、自编码器等。

半监督学习：半监督学习是指利用部分带有标签的数据进行训练，然后对剩余的数据进行分类或回归的算法。在半监督学习中，主要考虑的是如何利用少量的有标签的数据和大量无标签的的数据进行训练和分类。例如，半监督支持向量机、图半监督学习等。

强化学习：强化学习是指利用环境的反馈来调整行为策略的算法。强化学习不需要事先给出标签，而是通过不断尝试和评估来优化目标函数。例如，Q-learning、SARSA、策略梯度等。

根据功能形式分类

回归算法：回归算法是指利用数据中的自变量和因变量之间的关系来建立数学模型，并用于预测连续值的算法，回归算法有监督学习算法的代表。例如，线性回归、多项式回归、岭回归、LASSO回归等 。

分类算法：分类算法是指利用数据中的特征来划分数据属于哪个类别的算法。分类算法可以用于二分类或多分类问题，分类算法也属于有监督学习。例如，逻辑回归、支持向量机、决策树、随机森林、朴素贝叶斯等 。

聚类算法：聚类算法是指利用数据中的相似性来将数据分组为若干个簇的算法。聚类算法可以用于发现数据中的潜在结构或模式，其目的是使类别内的数据比较相。例如，k-均值、层次聚类、DBSCAN等3 。

降维算法：降维算法是指利用数据中的相关性或冗余性来减少数据维度的算法。降维算法可以用于提高计算效率或可视化数据。例如，主成分分析、线性判别分析、自编码器等 。

关联规则学习：关联规则学习是指利用数据中不同变量之间的关联性来找出最能描述这些关系的规则的算法。关联规则学习可以用于挖掘数据中的有价值的信息或知识