机器学习（一）——K-近邻（KNN）算法
机器学习（二）——K-均值聚类（K-means）算法
机器学习（三）—支持向量机
机器学习（四）—决策树
机器学习（五）—朴素贝叶斯
机器学习（六）— logistic回归
机器学习（七）—回归
机器学习（八）—Apriori算法
各种算法的优缺点及适用范围
| 优点 | 缺点 | 适用数据类型 | |
| KNN | 精度高、对异常值不敏感 | 计算复杂度高 空间复杂度高 |
数值型 标称型 |
| K-menas | 容易实现 | 可能收敛到局部最小， 在大规模数据集上收敛较慢 |
数值型 |
| SVM | 泛化错误率地，计算开销不大，结果易解释 | 对参数调节和核函数的选择敏感，原始分类器不加修改仅适用于处理二类问题 | 数值型 标称型 |
| 决策树 | 计算复杂度不到，输出结果易于理解，对中间值的缺失不敏感，可以处理不相关的数据特征 | 可能会产生过度匹配问题 | 数值型 标称型 |
| 朴素贝叶斯 | 在数据较少的情况下仍然有效，可以处理多类别问题 | 对于输入数据的准备方式较为敏感 | 标称型 |
| 逻辑回归 | 计算代价不高，易于理解和实现 | 容易欠拟合，分类精度不高 | 数值型 标称型 |
| 线性回归 | 结果易于理解，计算上不复杂 | 对非线性的数据拟合不好 | 数值型 标称型 |
| Apriori | 容易编码实现 | 在大数据集上可能较慢 | 数值型 标称型 |