Существует множество алгоритмов машинного обучения, наиболее распространёнными из которых являются:

• линейная регрессия — помогает предсказать значение одной переменной в зависимости от значений других переменных (при наличии линейной зависимости)

  Пример линейной зависимости — продажи тёплых курток в зависимости от температуры (ниже температура → выше продажи)

  Недостаток линейной регрессии: линейная зависимость действует в рамках модели, выход за рамки модели приводит к галлюцинациям. Например, при температуре от 0 до -30 градусов может наблюдаться рост продаж курток. Дальнейшее понижение температуры, согласно линейной регрессии, должно увеличивать продажи. В действительности же при очень низкой температуре -40-50 градусов продажи упадут до нуля, т.к. люди перестанут выходить из дома.

  

• логистическая регрессия
• решающие деревья
• случайный лес
• градиентный бустинг
• метод опорных векторов