整理了一張“機器學習相關算法與概念速覽表”，既包含定義，也配上了容易記住的例子，讓大家一眼就能抓住它們的特點：

🤖 機器學習與相關算法&概念

名稱	定義	生動例子	典型應用場景
回溯算法	通過不斷嘗試和回退來尋找問題解的一種方法，遇到死胡同時回到上一步重新嘗試	解迷宮：走到死路就原路返回，換另一條路走	組合優化、路徑搜索（如數獨求解、八皇后問題）
貪心算法	每一步都做出當前看起來“最優”的選擇，期望最終得到全局最優解	找零：用面額最大的硬幣優先，直到湊夠總金額	最短路徑（Dijkstra）、區間調度、哈夫曼編碼
回歸算法（線性回歸）	用一條直線（或超平面）來擬合數據關系，預測連續變量	預測房價：根據面積和房齡估算價格	銷售額預測、趨勢分析、風險評估
算法超參數	在訓練前設定的參數，不隨數據直接更新，需要人工或自動搜索	烤蛋糕的溫度和時間：烤之前就要設定好，否則成品會變味	學習率、樹深度、正則化系數等調優
多項式時間	算法運行時間隨輸入規模 n 的多項式關系增長（如 n2、n3），通常可接受	整理書架：書本數量翻倍，整理時間變成原來的4倍（n2）	可擴展性評估、算法復雜度分析
樸素貝葉斯分類算法	基于貝葉斯定理，并假設特征之間相互獨立的分類算法	垃圾郵件過濾：假設郵件中“中獎”出現就大大增加是垃圾郵件的概率	文本分類、情感分析、疾病診斷

💡 Tips

• 回溯和貪心都是“策略”類算法，前者更全面但慢，后者更快但不保證全局最優

• 回歸算法、樸素貝葉斯是機器學習模型本身

• 多項式時間是算法復雜度的一個衡量

• 超參數是模型訓練中的可調“旋鈕”，選得好性能飆升

• 整理 by?Moshow鄭鍇@https://zhengkai.blog.csdn.net/