在前面的文章中我们给大家介绍了很多关于机器学习的算法，这些算法都是能够帮助大家更好地理解机器学习，而机器学习的算法各种各样，要想好好地使用这些算法就需要对这些算法一个比较透彻的了解。我们在这篇文章中接着给大家介绍一下机器学习中涉及到的算法的最后一部分内容。

首先说一下聚类算法，聚类算法是指对一组目标进行分类，属于同一组的目标被划分在一组中，与其他组目标相比，同一组目标更加彼此相似。聚类算法的例子有很多，比如说K-均值（k-Means）、k-Medians 算法、Expectation Maximi 封层 ation (EM)、最大期望算法（EM）、分层集群，聚类算法的优点就是让数据变得有意义。缺点就是结果难以解读，针对不寻常的数据组，结果可能无用。

然后我们给大家说一下基于实例的算法，基于实例的算法是这样学习算法，不是明确归纳，而是将新的问题例子与训练过程中见过的例子进行对比，这些见过的例子就在存储器中。之所以叫基于实例的算法是因为它直接从训练实例中建构出假设。这意味这，假设的复杂度能随着数据的增长而变化：最糟的情况是，假设是一个训练项目列表，分类一个单独新实例计算复杂度为 O（n）。这种算法有很多的例子，比如说K 最近邻、学习向量量化、自组织映射、局部加权学习。而这种算法的优点就是算法简单、结果易于解读。缺点就是内存使用非常高、计算成本高、不可能用于高维特征空间。

接着我们给大家说一下贝叶斯算法，贝叶斯方法是指明确应用了贝叶斯定理来解决如分类和回归等问题的方法。贝叶斯算法的例子有很多，具体就是朴素贝叶斯、高斯朴素贝叶斯、多项式朴素贝叶斯、平均一致依赖估计器、贝叶斯信念网络贝叶斯网络。而贝叶斯算法的优点是快速、易于训练、给出了它们所需的资源能带来良好的表现。缺点就是如果输入变量是相关的，则会出现问题。

下面我们给大家介绍一下关联规则学习算法、而关联规则学习方法能够提取出对数据中的变量之间的关系的最佳解释。具体例子局Apriori 算法、Eclat 算法、FP-growth。

图模型或概率图模型是一种概率模型，一个图可以通过其表示随机变量之间的条件依赖结构。具体的例子就是贝叶斯网络、马尔可夫随机域、链图、祖先图。优点就是模型清晰，能被直观地理解。缺点就是确定其依赖的拓扑很困难，有时候也很模糊。

关于机器学习涉及到的算法我们给大家介绍完了。还是那句话，我们要想学好人工智能就必须重视机器学习，而要想学好机器学习就需要掌握这些算法，对这些算法的优点缺点有一个透彻的了解。