监督学习是机器学习中一种十分重要的算法。与无监督学习相比，监督学习有明确的目标。
分类与回归是监督学习两个主要任务，常见的监督学习算法主要有以下9种：
1 | 朴素贝叶斯 | 分类 |
|---|---|---|
2 | 决策树 | 分类 |
3 | 支持向量机 | 分类 |
4 | 逻辑回归 | 分类 |
5 | 线性回归 | 回归 |
6 | 回归树 | 回归 |
7 | K邻近 | 分类 回归 |
8 | Adaboost | 分类 回归 |
9 | 神经网络 | 分类 回归 |
1. 朴素贝叶斯(Naive Bayes Classifier)
朴素贝叶斯算法(NBC) 是应用最为广泛的分类算法之一。NBC假设了数据集属性之间是相互独立的，常用于文本分类。
2. 决策树(Decision Tree)
决策树算法采用树形结构，使用层层推理来实现最终的分类。决策树通常由根节点、内部节点、叶节点三个元素构成，ID3、C4.5、CART是决策树常用的三种典型算法。
3. 支持向量机(SVM)
支持向量机把分类问题转化为寻找分类平面的问题，并通过最大化分类边界点距离分类平面的距离来实现分类。SVM可以解决高维问题，也能够解决小样本下机器学习问题。
4. 逻辑回归(Logistic Regression)
逻辑回归是用于处理因变量为分类变量的回归问题，常见的是二分类或二项分布问题，也可以处理多分类问题，它实际上是属于一种分类方法，用来表示某件事情发生的可能性。逻辑回归实现简单，分类时计算量非常小、速度很快、存储资源低，主要应用于工业问题上。
5. 线性回归(Linear Regression)
线性回归是处理回归任务最常用的算法之一。该算法的形式十分简单，它期望使用一个超平面拟合数据集(只有两个变量的时候就是一条直线)。线性回归建模速度快，不需要很复杂的计算，在数据量大的情况下运行速度依然很快，同时可以根据系数给出每个变量的理解和解释。逻辑回归与线性回归主要有以下不同点：
6. 回归树(Regression Tree)
回归树，顾名思义，就是用树模型做回归问题，每一片叶子都输出一个预测值。回归树通过将数据集重复分割为不同的分支而实现分层学习，分割的标准是最大化每一次分离的信息增益。这种分支结构让回归树很自然地学习到非线性关系。
7. K邻近(K-Nearest Neighbor)
K邻近算法是最简单的机器学习算法。该方法的思路是：在特征空间中，如果一个样本附近的K个最近(即特征空间中最邻近)样本的大多数属于某一个类别，则该样本也属于这个类别。K邻近算法理论相对成熟，思想简单，既可以用来做分类也可以用来做回归。
8. AdaBoost
AdaBoost目的就是从训练数据中学习一系列的弱分类器或基本分类器，然后将这些弱分类器组合成一个强分类器。AdaBoost有一个很突出的特点就是精度很高。
9. 神经网络
神经网络从信息处理角度对人脑神经元网络进行抽象，建立某种简单模型，按不同的连接方式组成不同的网络。在人工智能领域，神经网络通常指人工神经网络，即ANNs。
