机器学习算法的七大分类详解
将水木上岸设为“星标⭐”
掌握第一手top院校信息
水木上岸自2017年开始辅导清华347应用心理，近年上岸率高达67%-88%，团队的讲师均来自清华大学，本硕博都有，覆盖考研体系中所有课程，我们是心理学领域唯一专业人工智能的团队。
2026考研中，水木上岸21位学员被录取（共29人），占总录取人数72.4%，前五名均为水木上岸学员。
2025考研中，水木上岸21位学员被录取（共录取 24人），占总录取人数88%，前五名均为水木上岸学员（包含总分第一和专业第一）。2024考研中，水木上岸学员录取率67%，其中包含专业第一。
根据学习方式、目标以及数据特征等对机器学习算法进行分类，可以分为监督学习 (supervised learning)、无监督学习 (unsupervised learning)、半监督学习 (semi-supervised learning)、自监督学习 (self-supervised learning)、集成学习 (ensemble learning)、迁移学习和强化学习等，各个类别之间主要是侧重的方向有所不同，但并非完全没有交集。
监督学习
监督学习是指在有标签数据的基础上进行学习，目标是通过训练模型，使其能够对新数据进行预测。该方法的核心在于使用已知输入和对应的输出进行训练。常见的监督学习方法有线性回归、逻辑回归、决策树、SVM、K 最近邻 (KNN)、随机森林、朴素贝叶斯分类器 (naive Bayesian classifier) 等。
无监督学习
无监督学习则是在没有标签的数据上进行学习，目标是发现数据中的潜在结构或模式。该方法常用于数据的聚类和降维。常见的无监督学习方法有K 均值聚类 (k-means clustering)、层次聚类 (hierarchical clustering)、主成分分析 (principal component analysis，PCA)、独立成分分析 (independent component analysis，ICA)、自编码器 (autoencoder，AE) 等。
半监督学习
半监督学习结合了监督学习和无监督学习的特点。它利用大量未标注的数据和少量标注的数据进行学习，适用于获取标签成本高的场景。通过使用未标注数据来改进模型的学习效果，能够显著提升性能。常见的半监督学习方法有半监督支持向量机 (semi-supervised SVM)、生成模型 (generative models)、自训练 (self-training)、联合训练 (co-training)、基于图论的学习 (graph-based learning) 方法、伪标签 (pseudo-labeling) 等。
自监督学习
自监督学习利用未标注数据进行训练，通过设计任务让模型挖掘数据的内在结构和关系，从而学习数据的有用表示。常见的自监督学习方法有对比学习 (contrastive learning)、屏蔽语言模型 (masked language model)、自编码器、图像修复 (image inpainting) 等。
集成学习
集成学习是一种将多个模型组合在一起以提高预测性能的方法。通过集成多个模型，集成学习可以减少模型的方差、偏差或两者的结合。常见的集成学习方法有袋装法 (bagging，如随机森林)、提升法 (boosting，如 AdaBoost)、投票法 (voting)、子空间法 (subspace method) 等。
迁移学习
迁移学习是一种利用已有知识解决新任务的学习方法。通常在一个大规模数据集上训练一个基础模型，然后将该模型的参数或特征迁移到一个目标任务上，这个目标任务通常可用的训练数据较少。常见的迁移学习方法有微调 (fine-tuning)、领域自适应 (domain adaptation)、多任务学习 (multi-task learning)、领域生成模型 (domain generative model)、知识蒸馏 (knowledge distillation)、模型重用 (model reuse)、跨域特征学习 (cross-domain feature learning) 等。
强化学习
强化学习是一种基于交互的学习方法，智能体通过试错来探索环境，并根据获得的奖励来调整行为。具体来说，智能体会根据当前状态选择动作，并获得相应的奖励或惩罚，并在未来的决策中进行调整。常见的强化学习方法有 Q-learning、SARSA (state-action-reward-state-action)、DQN、演员 - 评论家 (actor-critic) 算法、异步的优势演员 - 评论家 (asynchronous advantage actor-critic,A3C) 算法、策略梯度 (policy gradient,PG)、深度确定性策略梯度 (deep deterministic policy gradient，DDPG) 等。
2026清华复试名单与所报水木上岸班型
2025清华复试名单
往期精选
【26水木上岸40位学员进入清华复试】
预祝2026水木上岸40位参加清华复试的学员旗开得胜
【25上岸经验贴】
25清华347专业课第一名的复试经验
艺术生如何考专业课第一名（上）
艺术生如何考专业课第一名（下）
大龄考生6个月备战25清华，一战上岸！
效率之王！5个月极限上岸清华！
在职考研看过来！专业第二上岸清华347
一站上岸清华347!考研考证一手抓
擦线进清华，分不在多够用就行！
401分！快来看看25清华状元学姐的超高分经验贴
【清华录取通知书】
圆梦清华！清华347录取通知书到手！
【26喜报】
清华347考研捷报！这一次，我们凭实力“霸屏”！
公众号安利
水木上岸官方总号
由水木上岸学术团队打造的"智能心理测量"公众号，是心理学与人工智能深度交融的先锋平台。我们以"用算法解析心智，以科技赋能心灵"为使命，聚焦AI+心理学的跨学科创新，持续追踪全球顶尖实验室的科研动态，为读者搭建认知升级的智识桥梁。
水木上岸联合清华计算机系AI团队
推出了
心理学考研版 AI 助教
24 小时答疑