几种常见机器学习算法分类

我论文中简单的把机器学习分类叙述了一下，被批评说我的几种分类含有互相包含的关系，我该怎么专业地把以下几个方面分类呢，或者说，我该把哪几种放在同一个分类呢？
1、XGBoost
2、随机森林
3、梯度下降树GBDT
4、支持向量机
5、神经网络
6、KNN

GBDT和XGBoost都是决策树分类的，机器学习分类算法应该按照下面的链接来分类，总共有7种，而且你说的神经网络算深度学习了

机器学习中的七种分类算法_坠星不坠的博客-CSDN博客_分类算法 Spike-and-slab priors(SSP)：尖峰和平板先验 https://blog.csdn.net/qq_40016005/article/details/120598137

这些都是典型的算法，按分类还是看这里https://zhuanlan.zhihu.com/p/419404240

GBDT和XGBoost都是组合决策树模型,其中GBDT在函数空间中利用梯度下降法进行优化，XGBoost在函数空间中用牛顿法进行优化
这两个应该是同一分类，其他的各自一类没有问题

按分类器来分，随机森林（决策树的bagging思想）、支持向量机、神经网络、K近邻是一个范畴，而GBDT和XGBoost都是随机森林的算法优化，跟分类器不再一个范畴。
实际上，也可以按照特征提取的方式对分类器再进行分类，比如随机森林、支持向量机、KNN等都是传统的机器学习模型（ML），采用的特征提取和分类的两步走的模式；而神经网络比如卷积神经网络CNN、循环神经网络RNN，这种模型属于深度学习模型（DL），模型本身就是特征提取和分类器的组合。然后再写论文里面用到的随机森林的两种算法优化GBDT和XGBoost。

树模型
1、XGBoost
2、随机森林
3、梯度下降树GBDT

机器学习常见模型
1、XGBoost
2、随机森林
3、梯度下降树GBDT
4、支持向量机
5、KNN

集成算法：
1、XGBoost
2、随机森林
3、梯度下降树GBDT

常见分类算法：
1、XGBoost
2、随机森林
3、梯度下降树GBDT
4、支持向量机
5、神经网络
6、KNN