机器学习与数据挖掘
范式 监督学习 无监督学习 在线机器学习 元学习（英语：Meta-learning (computer science)） 半监督学习 自监督学习 强化学习 基于规则的机器学习（英语：Rule-based machine learning） 量子机器学习
问题 统计分类 生成模型 回归分析 聚类分析 降维 密度估计（英语：density estimation） 异常检测 数据清洗 自动机器学习 关联规则学习 语义分析 结构预测（英语：Structured prediction） 特征工程 表征学习 排序学习（英语：Learning to rank） 语法归纳（英语：Grammar induction） 本体学习（英语：Ontology learning） 多模态学习（英语：Multimodal learning）
监督学习 (分类 · 回归) 学徒学习（英语：Apprenticeship learning） 决策树学习 集成学习 Bagging 提升方法 随机森林 k-NN 线性回归 朴素贝叶斯 人工神经网络 逻辑斯谛回归 感知器 相关向量机（RVM） 支持向量机（SVM） 迁移学习 微调
聚类分析 BIRCH CURE算法（英语：CURE algorithm） 层次 k-平均 Fuzzy 期望最大化（EM） DBSCAN OPTICS 均值飘移（英语：Mean shift）
降维 因素分析 CCA ICA LDA NMF（英语：Non-negative matrix factorization） PCA PGD（英语：Proper generalized decomposition） t-SNE（英语：t-distributed stochastic neighbor embedding） SDL
结构预测（英语：Structured prediction） 图模式 贝氏网络 条件随机域 隐马尔可夫模型
异常检测 RANSAC k-NN 局部异常因子（英语：Local outlier factor） 孤立森林（英语：Isolation forest）
人工神经网络 自编码器 认知计算 深度学习 DeepDream（英语：DeepDream） 多层感知器 RNN LSTM GRU（英语：Gated recurrent unit） ESN（英语：Echo state network） 储备池计算（英语：reservoir computing） 受限玻尔兹曼机 GAN SOM CNN U-Net Transformer Vision transforme（英语：Vision transformer） 脉冲神经网络（英语：Spiking neural network） Memtransistor（英语：Memtransistor） 电化学RAM（英语：Electrochemical RAM）（ECRAM）
强化学习 Q学习 SARSA 时序差分（TD） 多智慧体（英语：Multi-agent reinforcement learning） Self-play（英语：Self-play (reinforcement learning technique)） RLHF
与人类学习 主动学习（英语：Active learning (machine learning)） 众包 Human-in-the-loop（英语：Human-in-the-loop）
模型诊断 学习曲线（英语：Learning curve (machine learning)）
数学基础 内核机器（英语：Kernel machines） 偏差–方差困境（英语：Bias–variance tradeoff） 计算学习理论（英语：Computational learning theory） 经验风险最小化 奥卡姆学习（英语：Occam learning） PAC学习（英语：Probably approximately correct learning） 统计学习 VC理论
大会与出版物 NeurIPS ICML（英语：International Conference on Machine Learning） ICLR ML（英语：Machine Learning (journal)） JMLR（英语：Journal of Machine Learning Research）
相关条目 人工智慧术语（英语：Glossary of artificial intelligence） 机器学习研究数据集列表（英语：List of datasets for machine-learning research） 机器学习概要（英语：Outline of machine learning）
查 论 编

统计分类（英译：Statistical classification）是机器学习非常重要的一个组成部分，它的目标是根据已知样本的某些特征，判断一个新的样本属于哪种已知的样本类^[1]。分类是监督学习的一个实例，根据已知训练集提供的样本，通过计算选择特征参数，建立判别函数以对样本进行的分类。与之相对的是无监督学习，例如聚类分析。

统计分类机器学习是一种利用统计方法和算法来从数据中学习分类规则的技术。分类是一种预测性分析，目的是将输入数据分配到预定义的类别或标签中。例如，根据邮件的内容，我们可以将其分类为垃圾邮件或非垃圾邮件。

统计分类机器学习的基本步骤如下：

• 数据收集和预处理：这一步涉及到从不同的来源收集数据，并对其进行清洗、转换和标准化，以便于后续的分析。
• 特征选择和提取：这一步涉及到从数据中选择和提取与分类任务相关的特征或属性。特征可以是数值的、类别的或文本的。特征选择和提取的目的是降低数据的维度，减少噪声和冗余，提高分类的准确性和效率。
• 模型选择和训练：这一步涉及到从多种统计分类算法中选择合适的模型，并用训练数据来训练模型。训练数据是已经有类别标签的数据，用于让模型学习分类规则。常用地统计分类算法有逻辑回归、朴素贝叶斯、支持向量机、决策树、随机森林、神经网络等。
• 模型评估和优化：这一步涉及到用测试数据来评估模型的性能和泛化能力。测试数据是没有类别标签的数据，用于检验模型是否能正确地分类新的数据。常用的评估指标有准确率、召回率、精确率、F1分数等。根据评估结果，我们可以对模型进行调整和优化，以提高分类的效果。
• 模型部署和应用：这一步涉及到将训练好的模型部署到实际的应用场景中，如网站、手机应用、智慧装置等。模型部署和应用的目的是利用模型的分类能力来解决实际的问题，如垃圾邮件过滤、情感分析、人脸识别等。

统计分类常用于分类和聚类的规律识别，即将某种输出值分配给给定的输入值。统计分类也可用于回归和序列标记；前者为将实值输出分配给每个输入，后者为给值序列的每个成员分配一个类别；统计分类也可用于解析，也就是将将解析树分配给输入句子，以描述句子的句法结构