机器学习大框架

决策树可以分为以下几种类型：1. ID3算法：基于信息增益来选择最优特征，适用于分类问题。2. C4.5算法：基于信息增益比来选择最优特征，适用于分类问题。3. CART算法：可以用于分类和回归问题，基于基尼指数来选择最优特征。4. CHAID算法：基于卡方检验来选择最优特征，适用于分类问题。5. MARS算法：可以用于分类和回归问题，基于多项式回归来构建决策树。6. Conditional Inference Trees（CIT）算法：基于条件推断来构建决策树，适用于分类和回归问题。7. Random Forest算法：基于随机森林的思想，通过多个决策树的集成来提高模型的准确性和泛化能力。

决策树【第三章】

回归

分类

线性模型

KNN 可以说是最简单的分类算法之一，同时，它也是最常用的分类算法之一

KNN

朴素贝叶斯分类和贝叶斯网络分类

贝叶斯

LDA（线性判别分析）

随机森林

支持向量机

有监督学习

聚类【第七章】

降维【第二章】

关联规则挖掘【第五章】

无监督学习

子主题

降维

半监督聚类

半监督关联

半监督分类【第三章】

半监督学习

机器学习