機(jī)器學(xué)習(xí)通常分為四類
- 監(jiān)督學(xué)習(xí)
- 無(wú)監(jiān)督學(xué)習(xí)
- 半監(jiān)督學(xué)習(xí)
- 強(qiáng)化學(xué)習(xí)
監(jiān)督學(xué)習(xí)
監(jiān)督學(xué)習(xí)是從標(biāo)記的訓(xùn)練數(shù)據(jù)來(lái)推斷一個(gè)功能的機(jī)器學(xué)習(xí)任務(wù)。在監(jiān)督學(xué)習(xí)中面睛，每個(gè)實(shí)例都是由一個(gè)輸入對(duì)象（通常為矢量）和一個(gè)期望的輸出值（也稱為監(jiān)督信號(hào)）組成絮蒿。監(jiān)督學(xué)習(xí)算法是分析該訓(xùn)練數(shù)據(jù)尊搬，并產(chǎn)生一個(gè)推斷的功能，其可以用于映射出新的實(shí)例土涝。一個(gè)最佳的方案將允許該算法來(lái)正確地決定那些看不見(jiàn)的實(shí)例的類標(biāo)簽佛寿。
監(jiān)督學(xué)習(xí)有兩個(gè)典型的分類：
- 分類
比如上面的郵件過(guò)濾就是一個(gè)二分類問(wèn)題，分為正例即正常郵件但壮，負(fù)例即垃圾郵件冀泻。 - 回歸
回歸的任務(wù)是預(yù)測(cè)目標(biāo)數(shù)值，比如房屋的價(jià)格蜡饵，給定一組特性(房屋大小弹渔、房間數(shù)等)，來(lái)預(yù)測(cè)房屋的售價(jià)溯祸。
常見(jiàn)的監(jiān)督學(xué)習(xí)算法
- k-Nearest Neighbors
- Linear Regression
- Logistic Regression
- Support Vector Machines (SVMs)
- Decision Trees and Random Forests
- Neural networks
無(wú)監(jiān)督學(xué)習(xí)
我們有一些問(wèn)題肢专，但是不知道答案，我們要做的無(wú)監(jiān)督學(xué)習(xí)就是按照他們的性質(zhì)把他們自動(dòng)地分成很多組焦辅，每組的問(wèn)題是具有類似性質(zhì)的（比如數(shù)學(xué)問(wèn)題會(huì)聚集在一組博杖，英語(yǔ)問(wèn)題會(huì)聚集在一組，物理........）
所有數(shù)據(jù)只有特征向量沒(méi)有標(biāo)簽筷登，但是可以發(fā)現(xiàn)這些數(shù)據(jù)呈現(xiàn)出聚群的結(jié)構(gòu)剃根，本質(zhì)是一個(gè)相似的類型的會(huì)聚集在一起。把這些沒(méi)有標(biāo)簽的數(shù)據(jù)分成一個(gè)一個(gè)組合前方，就是聚類（Clustering）
常見(jiàn)的無(wú)監(jiān)督學(xué)習(xí)算法
- Clustering
- k-Means
- Hierarchical Cluster Analysis (HCA)
- Expectation Maximization
- Visualization and dimensionality reduction
- Principal Component Analysis (PCA)
- Kernel PCA
- Locally-Linear Embedding (LLE)
- t-distributed Stochastic Neighbor Embedding (t-SNE)
- Association rule learning
- Apriori
- Eclat
無(wú)監(jiān)督學(xué)習(xí)算法常見(jiàn)工作
- 降維
降維的目標(biāo)是簡(jiǎn)化數(shù)據(jù)狈醉，但是損失盡量少的信息。一個(gè)方法是將幾個(gè)相似的特征或者代表一個(gè)屬性的幾個(gè)特征提取成一個(gè)特征,也是我們通常說(shuō)的特征提取惠险。 -
異常檢測(cè)
比如說(shuō)檢測(cè)信用卡欺詐苗傅，我們用正例來(lái)訓(xùn)練模型，然后當(dāng)一個(gè)新的實(shí)例到來(lái)的時(shí)候莺匠，判斷是否像正實(shí)例金吗，否則就是負(fù)例。
- 關(guān)聯(lián)規(guī)則
可以參照啤酒喝尿布的例子
半監(jiān)督
半監(jiān)督學(xué)習(xí)在訓(xùn)練階段結(jié)合了大量未標(biāo)記的數(shù)據(jù)和少量標(biāo)簽數(shù)據(jù)。與使用所有標(biāo)簽數(shù)據(jù)的模型相比摇庙，使用訓(xùn)練集的訓(xùn)練模型在訓(xùn)練時(shí)可以更為準(zhǔn)確旱物，而且訓(xùn)練成本更低。在現(xiàn)實(shí)任務(wù)中卫袒，未標(biāo)記樣本多宵呛、有標(biāo)記樣本少是一個(gè)比價(jià)普遍現(xiàn)象，如何利用好未標(biāo)記樣本來(lái)提升模型泛化能力夕凝，就是半監(jiān)督學(xué)習(xí)研究的重點(diǎn)宝穗。要利用未標(biāo)記樣本，需假設(shè)未標(biāo)記樣本所揭示的數(shù)據(jù)分布信息與類別標(biāo)記存在聯(lián)系码秉。
強(qiáng)化學(xué)習(xí)
所謂強(qiáng)化學(xué)習(xí)就是智能系統(tǒng)從環(huán)境到行為映射的學(xué)習(xí)逮矛，以使獎(jiǎng)勵(lì)信號(hào)(強(qiáng)化信號(hào))函數(shù)值最大。如果Agent的某個(gè)行為策略導(dǎo)致環(huán)境正的獎(jiǎng)賞(強(qiáng)化信號(hào))转砖，那么Agent以后產(chǎn)生這個(gè)行為策略的趨勢(shì)便會(huì)加強(qiáng) -《百科》
簡(jiǎn)單來(lái)說(shuō)就是給你一只小白鼠在迷宮里面须鼎，目的是找到出口，如果他走出了正確的步子府蔗，就會(huì)給它正反饋（糖）晋控，否則給出負(fù)反饋（點(diǎn)擊），那么姓赤，當(dāng)它走完所有的道路后赡译。無(wú)論比把它放到哪兒，它都能通過(guò)以往的學(xué)習(xí)找到通往出口最正確的道路不铆。強(qiáng)化學(xué)習(xí)的典型案例就是阿爾法狗蝌焚。
其他
此外機(jī)器學(xué)習(xí)還有其它的分類方式，比如批量學(xué)習(xí)和在線學(xué)習(xí)狂男，也可分為參數(shù)學(xué)習(xí)和非參數(shù)學(xué)習(xí)
