- R语言机器学习算法实战系列（一）XGBoost算法+SHAP值（eXtreme Gradient Boosting）
- R语言机器学习算法实战系列（二） SVM算法+重要性得分（Support Vector Machine）
- R语言机器学习算法实战系列（三）lightGBM算法+SHAP值（Light Gradient Boosting Machine）
- R语言机器学习算法实战系列（四）随机森林算法+SHAP值 (Random Forest)
- R语言机器学习算法实战系列（五）GBM算法+SHAP值 (Gradient Boosting Machines)
- R语言机器学习算法实战系列（六）K-邻近算法 (K-Nearest Neighbors)
- R语言机器学习算法实战系列（七）朴素贝叶斯分类算法 (Naïve Bayes Classifier)
- R语言机器学习算法实战系列（八）逻辑回归算法 (logistic regression)
- R语言机器学习算法实战系列（九）决策树分类算法 (Decision Trees Classifier)
- R语言机器学习算法实战系列（十）自适应提升分类算法 (Adaptive Boosting)
- R语言机器学习算法实战系列（十一）MLP分类算法 (Multi-Layer Perceptrons)
- R语言机器学习算法实战系列（十二）线性判别分析分类算法 (Linear Discriminant Analysis)
- R语言机器学习算法实战系列（十三）随机森林生存分析构建预后模型 (Random Survival Forest)
- R语言机器学习算法实战系列（十四）: CatBoost分类算法+SHAP值 (categorical data gradient boosting)
- R语言机器学习算法实战系列（十五）随机森林生存预后模型+SHAP值 (Random Survival Forest + SHAP)
- R语言机器学习算法实战系列（十六）随机森林算法回归模型+SHAP值（Random Forest Regression + SHAP）
介绍
机器学习算法 是计算模型，它们允许计算机在没有明确编程的情况下理解模式，并基于数据进行预测或做出判断。这些算法构成了现代人工智能的基础，并被用于各种应用，包括图像和语音识别、自然语言处理、推荐系统、欺诈检测、自动驾驶汽车等。
本教程将涵盖机器学习的所有重要算法，如支持向量机、决策制定、逻辑回归、朴素贝叶斯分类器、随机森林、K均值聚类、强化学习、向量、层次聚类、XGBoost、AdaBoost、逻辑回归等。并且使用R语言实现这些算法。
机器学习算法
监督学习Supervised Learning
监督学习（Supervised Learning）是机器学习中的一种方法，它使用标记的训练数据来训练模型，以便模型能够预测或决定未见过的数据的输出。在监督学习中，每个训练样本都包括输入数据和相应的输出标签。
分类Classification
在这类问题中，目标是预测离散的类别标签。例如，根据电子邮件的内容判断其是否为垃圾邮件，或者根据图像识别图像中的对象是猫还是狗。
- Logistic Regression：逻辑回归
- Support Vector Machines (SVM)：支持向量机
- k-Nearest Neighbors (k-NN)：k-最近邻
- Naive Bayes：朴素贝叶斯
- Decision Trees：决策树
- Random Forest：随机森林
- Gradient Boosting (e.g., XGBoost, LightGBM, CatBoost)：梯度提升
- Neural Networks (e.g., Multilayer Perceptron)：神经网络（例如，多层感知器）
回归Regression
这类问题的目标是预测连续的数值。例如，根据房屋的大小、位置和其他特征来预测其价格。
- Linear Regression：线性回归
- Ridge Regression：岭回归
- Lasso Regression：套索回归
- Support Vector Regression (SVR)：支持向量回归
- Decision Trees Regression：决策树回归
- Random Forest Regression：随机森林回归
- Gradient Boosting Regression：梯度提升回归
- Neural Networks Regression：神经网络回归
无监督学习 Unsupervised Learning
无监督学习（Unsupervised Learning）是机器学习中的一种方法，它处理的数据没有标签或标记。无监督学习的目标是从未标记的数据中发现模式、结构或分布。这种类型的学习通常用于探索数据、识别数据中的聚类、异常检测、降维等任务。
聚类 Clustering
聚类算法试图将数据集中的样本划分成若干个组（或“簇”），使得同一个簇内的样本相似度高，而不同簇之间的样本相似度低。
- k-Means：k-均值
- Hierarchical Clustering：层次聚类
- DBSCAN (Density-Based Spatial Clustering of Applications with Noise)：DBSCAN（基于密度的聚类应用中的噪声空间聚类）
- Gaussian Mixture Models (GMM)：高斯混合模型 (GMM)
降纬 Dimensionality Reduction
降维算法试图将高维数据转换为低维数据，同时尽可能保留原始数据的重要信息。这有助于数据可视化和提高算法的计算效率。
- Principal Component Analysis (PCA)：主成分分析
- t-Distributed Stochastic Neighbor Embedding (t-SNE)：t-分布随机邻域嵌入
- Linear Discriminant Analysis (LDA)：线性判别分析
- Independent Component Analysis (ICA)：独立成分分析
- UMAP (Uniform Manifold Approximation and Projection)：均匀流形近似和投影
相关Association
这种类型的算法用于发现大型数据库中变量之间的有趣关系。例如，市场篮子分析就是一种关联规则学习，用于发现顾客购买行为中的模式。
- Apriori Algorithm：Apriori算法 （通过频繁项集来发现数据中的关联规则）
- Eclat Algorithm：Eclat算法（一种改进的Apriori算法，使用深度优先搜索策略来提高效率）
强化学习Reinforcement Learning
强化学习（Reinforcement Learning，简称RL）是机器学习的一个重要分支，它主要关注如何在环境中采取行动以最大化某种累积奖励。强化学习的核心是智能体（Agent）通过与环境（Environment）的交互来学习最佳策略，以达成特定的目标。
模型自由 Model-Free Methods
基于价值（Value-Based）：直接学习价值函数，然后使用这个函数来选择动作。例如，Q学习（Q-Learning）和时间差分（Temporal Difference，TD）学习。基于策略（Policy-Based）：直接学习策略，而不是价值函数。例如，策略梯度方法（Policy Gradient Methods）和深度确定性策略梯度（Deep Deterministic Policy Gradient，DDPG）。基于策略（Policy-Based）：直接学习策略，而不是价值函数。例如，策略梯度方法（Policy Gradient Methods）和深度确定性策略梯度（Deep Deterministic Policy Gradient，DDPG）。基于演员-评论家（Actor-Critic）：结合了基于价值和基于策略的方法，智能体有一个“演员”来选择动作，和一个“评论家”来评估这些动作的价值。
- Q-Learning：Q-学习
- Deep Q-Network (DQN)：深度Q网络
- SARSA (State-Action-Reward-State-Action)：状态-动作-奖励-状态-动作
- Policy Gradient Methods (e.g., REINFORCE)：策略梯度方法
模型驱动 Model-Based Methods
智能体试图学习环境的模型，然后使用这个模型来预测不同动作的结果，并选择最优动作。
- Deep Deterministic Policy Gradient (DDPG)：深度确定性策略梯度
- Proximal Policy Optimization (PPO)：近端策略优化
- Trust Region Policy Optimization (TRPO)：信任域策略优化
价值驱动 Value-Based Methods
基于价值（Value-Based）：直接学习价值函数，然后使用这个函数来选择动作。例如，Q学习（Q-Learning）和时间差分（Temporal Difference，TD）学习。
- Monte Carlo Methods： 蒙特卡洛方法
- Temporal Difference (TD) Learning：时间差分学习
集成学习 Ensemble Learning
集成学习（Ensemble Learning）是机器学习中的一种方法，它结合多个学习算法来提高预测的准确性、稳定性和泛化能力。集成学习的基本思想是“集思广益”，即通过组合多个模型的预测结果来得到一个更优的预测结果。这种方法假设没有一个单一的模型能够完美地捕捉数据中的所有模式和结构，但是多个模型的组合可以更好地逼近真实情况。
-
装袋（Bagging，Bootstrap Aggregating）：
- 装袋方法通过对原始数据集进行多次随机抽样（有放回）来创建多个子数据集。
- 每个子数据集上训练一个基学习器（如决策树）。
- 最终的预测结果是所有基学习器预测结果的平均值（回归问题）或多数投票（分类问题）。
- 随机森林（Random Forest）是装袋方法的一个变种，它在构建决策树时引入了更多的随机性。
-
提升（Boosting, AdaBoost, Gradient Boosting）：
- 提升方法通过顺序地训练多个基学习器，每个学习器都尝试纠正前一个学习器的错误。
- 每个新的学习器在训练时会给予前一个学习器预测错误的样本更多的权重。
- 基学习器通常比较简单，如决策树桩（决策树的简化版）。
- AdaBoost、Gradient Boosting和XGBoost是提升方法的一些常见实现。
-
堆叠（Stacking）：
- 堆叠方法首先训练多个不同的基学习器。
- 然后，这些基学习器的预测结果被用作一个新的学习器（称为元学习器或元模型）的输入。
- 元学习器在这些预测结果的基础上进行训练，以学习如何最好地组合这些基学习器的预测。
- 堆叠可以用于分类、回归和特征学习等多种任务。
-
混合（Blending）：
- 混合方法类似于堆叠，但它通常用于分类问题。
- 在混合中，多个基学习器的预测概率被直接组合，而不是通过训练一个元学习器。
- 这可以通过简单的平均或优化组合权重来实现。
