机器学习的分类

本内容来自：https://gairuo.com

说明

机器学习教程 正在计划编写中，欢迎大家加微信 gairuo123 提供意见、建议、纠错、催更。

本内容来自：https://gairuo.com

根据训练期间接受的监督数量和监督类型，可以将机器学习分为以下四种类型：监督学习、非监督学习、半监督学习和强化学习。

监督学习

监督学习（Supervised Learning，SL），这类算法的工作原理是使用带标签的训练数据来学习输入变量Image转化为输出变量Image的映射函数，换句话说就是求解方程Image中的Image。进一步地，监督学习又可细分为如下三类：

• 回归（Regression）：预测一个值，如预测降雨量、房价等，较基础的算法有：Linear Regression
• 分类（Classification）：预测一个标签，如预测“生病”或“健康”，图片上是哪种动物等，较基础的算法有：Logistic Regression、Naive Bayes、K-Nearest Neighbors（KNN）
• 【另】：集成（Ensembling）也可以归类为监督学习的一种，它将多个单独较弱的机器学习模型的预测结合起来，以产生更准确的预测，较基础的算法有Bagging with Random Forests、Boosting with XGBoost

常用的算法有：

• K近邻算法
• 线性回归
• logistic回归
• 支持向量机（SVM）
• 决策树和随机森林
• 神经网络

非监督学习

非监督学习（Unsupervised Learning，UL），这类算法的工作原理是从无标签的训练数据中学习数据的底层结构。进一步地，非监督学习又可细分为如下三类：

• 关联（Association）：发现集合中项目同时出现的概率，如通过分析超市购物篮，发现啤酒总是和尿片一起购买（啤酒与尿片的故事），较基础的算法有：Apriori
• 聚类（Clustering）：对数据进行分组，以便组内对象比组间对象更相似，较基础的算法有：K-Means
• 降维（Dimensionality Reduction）：减少数据集的变量数量，同时保证重要的信息不被丢失。降维可以通过特征提取方法和特征选择方法来实现，特征提取是执行从高维空间到低维空间的转换，特征选择是选择原始变量的子集，较基础的算法有：PCA

无监督学习的常见算法如下：

• 聚类算法
  • K均值算法（K-means）
  • 基于密度的聚类方法(DBSCAN)
  • 最大期望算法
• 可视化和降维
  • 主成分分析
  • 核主成分分析
• 关联规则学习
  • Apriori
  • Eclat

半监督学习

有些算法可以处理部分标记的训练数据，通常是大量未标记的数据和少量标记的数据，这种成为半监督学习。

如照片识别就是很好的例子。在线相册可以指定识别同一个人的照片（无监督学习），当你把这些同一个人增加一个标签的后，新的有同一个人的照片就自动帮你加上标签了。

大多数半监督学习算法都是无监督和监督算法的结合。例如深度信念网络（DBN）基于一种相互堆叠的无监督式组件。

强化学习

强化学习（Reinforcement Learning，DL），让agent根据当前环境状态，通过学习能够获得最大回报的行为来决定下一步的最佳行为。

参考

• https://mp.weixin.qq.com/s/nArchfGhWW9P5cC98aqxQA
• https://mp.weixin.qq.com/s/XZ_-xtUb4SwQUpWeffdJ5g

更新时间：March 12, 2021, 11:02 a.m. 标签：机器学习 分类