常見的機器學習算法有線性回歸、邏輯回歸和線性判別分析。
在統計學和機器學習領域，線性回歸可能是最廣為人知和最容易理解的算法之壹。邏輯回歸是機器學習從統計學領域借鑒的另壹種技術。是二元分類問題的首選。機器學習是壹門交叉學科，涉及概率論、統計學、逼近論、凸分析、算法復雜性理論等諸多學科。
它著眼於計算機如何模擬或實現人類的學習行為，從而獲得新的知識或技能，並重組已有的知識結構，以不斷提高自身的性能。它是人工智能的核心，是讓計算機智能化的根本途徑。它的應用覆蓋了人工智能的所有領域，它主要使用歸納、綜合而不是演繹。
使用計算機學習算法的註意事項
1，數據質量和準備:機器學習算法的效果很大程度上取決於輸入數據的質量。確保數據集的準確性、完整性和壹致性，處理缺失值、異常值和噪聲等問題。
2.特征選擇與工程:選擇合適的特征對於算法的效果至關重要。特征選擇和工程化可以提取更多的信息特征，提高算法的準確性和泛化能力。
3.模型選擇和參數整定:根據問題的性質選擇合適的機器學習模型，並進行參數整定。交叉驗證和其他技術用於評估不同模型的性能，並選擇最佳模型和參數組合。
4.數據集劃分:將數據集劃分為訓練集、驗證集和測試集，用於模型的訓練、調優和評估。在劃分數據集時保證樣本分布的壹致性，避免過擬合或欠擬合。