整体来说，机器学习算法可以分为 3 大类：
        0.1 监督学习
       工作原理：该算法由自变量（协变量、预测变量）和因变量（结果变量）组成，由一组自变量对因变量进行预测。通过这些变量集合，我们生成一个将输入映射到输出的函数。训练过程达到我们设定的损失阈值停止训练，也就是使模型达到我们需要的准确度等水平。
        监督学习的例子：回归，决策树，随机森林，KNN，逻辑回归等
        0.2 无监督学习
       工作原理：在无监督学习算法中，我们没有目标或结果变量来预测。 通常用于不同群体的群体聚类。
        无监督学习的例子：Apriori 算法，K-means。
        0.3 强化学习
       工作原理： 强化学习（reinforcement learning），又称再励学习、评价学习，学习不是单一方法，而是一种机器学习方式，在智能控制机器人及分析预测等领域有许多应用。
       强化学习例子：马尔可夫决策过程
       通用机器学习算法列表
       1. 线性回归
       2. Logistic 回归
       3. 决策树
       4. SVM
  5. 朴素贝叶斯
          6. KNN
  7. K 均值
          8. 随机森林
          9. 降维算法
          10. 梯度提升算法
          1.GBM
  2.XGBoost
  3.LightGBM
  4.CatBoost