Wolfram 语言为执行回归、分类、聚类、降维等提供了丰富的机器学习方法.

分类 (Classify)

"ClassDistributions" — 使用学习分布

"DecisionTree" — 使用决策树

"GradientBoostedTrees" — 使用一组经过梯度提升训练的树

"LogisticRegression" — 使用特征线性组合的概率

"Markov" — 在特征序列上使用马尔可夫模型（仅适用于文本、令牌袋……）

"NaiveBayes" — 通过假设特征的概率独立性进行分类

"NearestNeighbors" — 使用最接近的邻域范例

"NeuralNetwork" — 使用人工神经网络

"RandomForest" — 使用 Breiman–Cutler 决策树集合

"SupportVectorMachine" — 使用支持向量机

回归 (Predict)

"DecisionTree" — 使用决策树

"GradientBoostedTrees" — 使用一组经过梯度提升训练的树

"LinearRegression" — 使用特征的线性组合

"NearestNeighbors" — 使用最接近的邻域范例

"NeuralNetwork" — 使用人工神经网络

"RandomForest" — 使用 Breiman–Cutler 决策树集合

"GaussianProcess" — 使用先于函数的高斯进程

聚类 (FindClusters)

"Agglomerate" — 单联聚类算法

"DBSCAN" — 带有噪声的应用程序基于密度的空间聚类

"GaussianMixture" — 使用混合高斯（正态）分布

"JarvisPatrick" — Jarvis–Patrick 聚类算法

"KMeans" — k-平均 聚类算法

"KMedoids" — 围绕中心点划分 (PAM)

"MeanShift" — 均值漂移聚类算法

"NeighborhoodContraction" — 将数据点移到高密度区

"SpanningTree" — 基于最小生成树的聚类算法

"Spectral" — 谱聚类算法

分布建模 (LearnDistribution)

"ContingencyTable" — 离散化数据并存储每种可能

"DecisionTree" — 使用决策树

"GaussianMixture" — 使用混合高斯（正态）分布

"KernelDensityEstimation" — 使用核混合分布

"Multinormal" — 使用多变量正态 (Gaussian) 分布

降维 (DimensionReduction)

"Autoencoder" — 使用可训练的自动编码器

"Hadamard" — 使用 Hadamard 矩阵投射数据

"Isomap" — 等距映射

"LatentSemanticAnalysis" — 潜在语义分析方法

"Linear" — 自动选择最好的线性方法

"LLE" — 局部线性嵌入

"PrincipalComponentsAnalysis" — 主成分分析法

"MultidimensionalScaling" — 度量多维标度

"TSNE" — t-分布随机邻域嵌入算法

"UMAP" — 均匀流形逼近和投射