全面的机器学习算法库，包含监督学习、无监督学习、深度学习等各类算法，支持医疗数据分析和预测建模。
用于预测建模的算法，需要标记的训练数据，包括分类和回归任务。
用于二分类问题的线性模型，输出概率值，适合医学诊断预测。
基于树结构的分类器，可解释性强，适合特征重要性分析。
寻找最优分类超平面，适合小样本高维数据。
基于决策树的集成学习算法，通过投票机制提高预测准确性。
基于实例的学习算法，简单直观，适合小规模数据集。
基于贝叶斯定理的概率分类器，适合文本分类和垃圾邮件检测。
最基本的回归算法，建立线性关系模型，适合连续变量预测。
L2正则化的线性回归，解决多重共线性问题。
L1正则化的线性回归，实现特征选择和稀疏解。
用于探索性数据分析的算法，不需要标记数据，包括聚类和降维。
最常用的聚类算法，基于距离将数据划分为K个簇。
构建树状结构的聚类层次，适合任意形状的数据分布。
基于密度的聚类算法，能够发现任意形状的簇并识别噪声点。
主成分分析，线性降维方法，通过正交变换提取主要特征。
非线性降维方法，特别适合高维数据的可视化，保持局部结构。
统一流形逼近与投影，现代非线性降维方法，速度快效果好。
基于神经网络的复杂模型，适合处理图像、文本、语音等复杂数据。
专门用于图像处理的神经网络，具有平移不变性。
处理序列数据的神经网络，具有记忆功能。
无监督学习的神经网络，用于数据压缩和特征学习。
结合多个基础模型，提高预测性能和稳定性。
Bagging方法的代表，集成多个决策树。
Boosting方法的代表，逐步改进模型性能。
优化的梯度提升算法，在Kaggle竞赛中表现优异。
自动选择最相关的特征，提高模型性能和可解释性。
通过递归地构建模型并移除最不重要的特征来选择特征。
利用决策树模型评估特征重要性。
基于信息论的统计量，衡量两个变量之间的相关性。