人工智能（AI）领域包含众多算法，每种算法都有其特点、适用场景和优缺点。从主流人工智能算法类别的出发，分类整理各自的算法缺点、适用场景及解决的问题，算法的用途。
📘 一、监督学习（Supervised Learning）
常见算法：
- 线性回归（Linear Regression）
- 逻辑回归（Logistic Regression）
- 决策树（Decision Tree）
- 随机森林（Random Forest）
- 支持向量机（SVM）
- K近邻算法（KNN）
- 神经网络（ANN）
典型用途：
- 分类与回归问题，如：邮件分类、房价预测、图像识别等
| 算法 |
优点 |
缺点 |
适用场景 |
解决的问题 |
| 线性回归 |
简单、可解释性强 |
只能处理线性问题，易受异常值影响 |
连续变量预测，如房价 |
回归 |
| 逻辑回归 |
快速、可解释 |
不适用于非线性复杂问题 |
二分类问题，如疾病预测 |
分类 |
| 决策树 |
可视化强、无需标准化数据 |
易过拟合、不稳定 |
小数据集决策分析 |
分类、回归 |
| 随机森林 |
准确率高、抗过拟合 |
训练慢、不易解释 |
特征多的复杂问题，如欺诈检测 |
分类、回归 |
| SVM |
分类性能好、适合高维数据 |
对大数据慢、不适合噪声多的情况 |
文本分类、人脸识别 |
分类 |
| KNN |
简单、无需训练 |
对大数据和高维空间不适 |
推荐系统、图像识别 |
分类 |
| 神经网络 |
表达能力强 |
黑盒模型、需大量数据 |
图像识别、语音识别 |
分类、回归 |
📙 二、无监督学习（Unsupervised Learning）
常见算法：
- K均值聚类（K-Means）
- 层次聚类（Hierarchical Clustering）
- 主成分分析（PCA）
- 自编码器（Autoencoder）
典型用途：
| 算法 |
优点 |
缺点 |
适用场景 |
解决的问题 |
| K-Means |
计算简单、收敛快 |
需要指定K值，对初值敏感 |
客户分群、图像压缩 |
聚类 |
| 层次聚类 |
可视化清晰 |
不适合大数据 |
基因数据聚类 |
聚类 |
| PCA |
降维效果好，易解释 |
仅适用于线性关系 |
特征提取、可视化 |
数据降维 |
| 自编码器 |
能学习非线性特征 |
训练复杂，需调参 |
图像压缩、异常检测 |
降维、异常检测 |
📒 三、强化学习（Reinforcement Learning）
常见算法：
- Q学习（Q-Learning）
- 深度Q网络（DQN）
- 策略梯度（Policy Gradient）
- Actor-Critic方法
典型用途：
- 游戏智能体（AlphaGo）、自动驾驶、机器人控制
| 算法 |
优点 |
缺点 |
适用场景 |
解决的问题 |
| Q-Learning |
概念简单，易于实现 |
不适合大状态空间 |
简单的游戏环境 |
序列决策 |
| DQN |
结合神经网络，适合复杂环境 |
不稳定，需调参 |
Atari游戏、导航 |
序列决策 |
| Policy Gradient |
适用于连续动作空间 |
收敛慢 |
机器人动作控制 |
策略优化 |
| Actor-Critic |
效率高、收敛快 |
架构复杂 |
多智能体博弈 |
序列决策 |
📗 四、深度学习（Deep Learning）
常见网络结构：
- 卷积神经网络（CNN）
- 循环神经网络（RNN）
- 长短期记忆网络（LSTM）
- Transformer（如GPT、BERT）
典型用途：
| 网络 |
优点 |
缺点 |
适用场景 |
解决的问题 |
| CNN |
图像处理强、参数少 |
只适用于网格数据 |
图像识别、医学影像 |
图像分类、物体检测 |
| RNN |
适合时间序列 |
容易梯度消失 |
文本生成、语音识别 |
序列预测 |
| LSTM |
克服RNN长距离依赖问题 |
训练慢 |
情感分析、机器翻译 |
时间序列建模 |
| Transformer |
并行性强、效果好 |
模型大，计算成本高 |
NLP、代码生成、问答系统 |
序列建模、语言理解 |
📕 五、生成模型（Generative Models）
常见算法：
典型用途：
| 算法 |
优点 |
缺点 |
适用场景 |
解决的问题 |
| GAN |
生成效果好、灵活 |
不稳定、训练困难 |
人脸合成、图像上色 |
数据生成 |
| VAE |
理论扎实、训练稳定 |
生成质量不如GAN |
图像生成、异常检测 |
生成建模 |
📓 六、进化算法 & 模拟算法
常见算法：
- 遗传算法（Genetic Algorithm）
- 模拟退火（Simulated Annealing）
- 粒子群优化（PSO）
典型用途：
| 算法 |
优点 |
缺点 |
适用场景 |
解决的问题 |
| 遗传算法 |
全局搜索能力强 |
收敛慢、不稳定 |
调参、路径优化 |
全局优化 |
| 模拟退火 |
理论保障，能跳出局部最优 |
调参敏感 |
组合优化 |
搜索问题 |
| 粒子群 |
易于实现、效率高 |
容易陷入局部最优 |
神经网络调参 |
最优化问题 |
总结对比一览（按用途）
| 应用方向 |
推荐算法 |
说明 |
| 图像识别 |
CNN, ResNet |
高维图像处理 |
| 文本生成 |
Transformer, GPT |
大规模语言建模 |
| 时序预测 |
LSTM, GRU |
股票、传感器数据 |
| 自动驾驶 |
DQN, Actor-Critic |
实时决策优化 |
| 聚类分析 |
K-Means, 层次聚类 |
无标签数据结构发现 |
| 降维与可视化 |
PCA, t-SNE |
特征压缩 |
| 异常检测 |
自编码器, Isolation Forest |
网络安全、风控 |
| 优化调参 |
遗传算法、贝叶斯优化 |
超参数调节 |
