1. KNN算法（K近邻算法）：N个最近相邻的样本;

2. 线性回归：

均方误差MSE、均方根误差RMSE、平均绝对值误差MAE；

3. 逻辑回归：

准确率(预测正确的样本数量/样本总数)、
精确率(Precision 预测为正样本中的真实正样本数/预测为正样本的样本数-“抓的所有人中真正坏人占抓住的所有人的比例”)、
召回率(recall 预测为正样本中的真实正样本数/真实正样本数-“所有坏人中被抓住的坏人”)、
F1-Score(2精确率召回率/(精确率+召回率))；
面试题：精确率原理是什么？：其来源于混淆矩阵：FP、FN、TP、TN（P-Positive正例、N-Negative反例、F-False假的、T-True真的）FP伪正例、FN伪反例、TP真正例、TN真反例：第一位是预测对错、第二位是预测结果：如 FP是预测错了的 正例 -伪正例，实际上是反例；

4. 决策树：

ID3树、CART树(一定是二叉树)、C4.5；
信息增益(ID3)、信息增益率值(C4.5)越大，则说明优先选择该特征;基尼指数值越小(CART)，则说明优先选择该特征。

5. 集成学习：

Bagging：随机森林算法RF (Random Forest) Boosting： (1)AdaBoost算法； (2)GBDT：①提升树 BDT(Boosting Decision Tree)、 ②梯度提升树 GBDT(Gradient Boosting Decision Tree)、 ③️XGBoost；

随机森林和XGBoot的区别:
随机森林是 Bagging 并行树，依靠随机采样降低方差，模型稳定、不易过拟合；
XGBoost 是 Boosting 串行树，不断拟合残差，自带 L1/L2 正则，支持缺失值自动处理，预测精度更高，但更容易过拟合，需要仔细调参。

6. 聚类Kmeans算法

6.1 Kmeans算法原理：

(1)K值的含义:聚成几类； (2)K值选择方法：肘部法则-SSE 变化过程中会出现一个拐点，下降率突然变缓时即认为是最佳 n_clusters 值； (3)Kmeans实现流程：①事先确定常数K，常数K意味着最终的聚类类别数；②随机选择 K 个样本点作为初始聚类中心；③计算每个样本到 K 个中心的距离，选择最近的聚类中心点作为标记类别；④根据每个类别中的样本点，重新计算出新的聚类中心点（平均值），如果计算得出的新中心点与原中心点一样则停止聚类，否则重新进行第 3 步过程，直到聚类中心不再变化或达到最大迭代次数； (4)API：klearn.cluster.KMeans(n_clusters=8)；

6.2 聚类评估方法：

(1)SSE：簇内误差的平方和；SSE越小，聚类效果越好； (2)SC轮廓系数：综合考虑簇内的内聚程度与簇间的分离程度；SC越大，聚类效果越好； (3)CH轮廓系数：综合考虑簇内的内聚程度、簇间的分离程度、质心的个数；CH越大，聚类效果越好；