机器学习的分类

评论
16 views

机器学习主要可以分为以下几类：

  1. 监督学习（Supervised Learning）

    • 定义：监督学习是指利用标记（label）好的训练数据来学习一个模型，模型的目标是尽可能准确地预测新数据的标签。训练数据集中的每个样本都包含输入特征和对应的目标标签。
    • 分类（Classification）
      • 二分类（Binary Classification）：将数据分为两个类别。例如，在垃圾邮件检测中，邮件被分为“垃圾邮件”和“非垃圾邮件”两类；在疾病诊断中，患者被判断为“患病”或“未患病”。典型的算法包括逻辑回归（Logistic Regression）、支持向量机（Support Vector Machine）等。
      • 多分类（Multi - Classification）：把数据划分到多个不同的类别中。例如，在手写数字识别中，要将手写数字图像分为0 - 9这10个类别；在自然语言处理的文本分类任务中，新闻文章可能被分为体育、娱乐、科技等多个类别。决策树（Decision Tree）、朴素贝叶斯（Naive Bayes）和深度神经网络（如多层感知机、卷积神经网络用于图像分类等）都可以用于多分类任务。
    • 回归（Regression）
      • 用于预测连续的数值型变量。例如，预测房价，根据房屋的面积、房龄、周边配套设施等因素来预测价格；预测股票价格走势，根据公司的财务数据、市场行情等因素预测未来的股价。常见的回归算法有线性回归（Linear Regression）、多项式回归（Polynomial Regression）和岭回归（Ridge Regression）等。

  2. 无监督学习（Unsupervised Learning）

    • 定义：无监督学习是在没有预先定义标签的数据集上进行学习的方法。其目的是发现数据中的结构、模式或规律。
    • 聚类（Clustering）
      • 将数据集中相似的数据点划分为不同的组（簇）。例如，在客户细分中，根据客户的消费行为、年龄、收入等因素将客户分为不同的群体，每个群体具有相似的消费特征，企业可以针对不同群体制定营销策略；在图像分割中，将图像中的像素根据颜色、纹理等特征聚类成不同的区域，每个区域可能代表一个物体或物体的一部分。K - 均值聚类（K - Means Clustering）、层次聚类（Hierarchical Clustering）是常用的聚类算法。
    • 降维（Dimensionality Reduction）
      • 处理高维数据时，为了减少数据存储和计算成本，同时保留数据的主要特征，将高维数据转换为低维表示。主成分分析（Principal Component Analysis，PCA）是最常见的降维方法之一，它通过线性变换将原始数据投影到新的低维空间，并且使得投影后的方差最大，即保留了数据中最主要的信息。t - 分布式随机邻域嵌入（t - SNE）也是一种有效的降维算法，它在保留数据局部结构方面表现出色，常用于数据可视化，将高维数据映射到二维或三维空间，便于直观地观察数据的分布和结构。

  3. 半监督学习（Semi - supervised Learning）

    • 定义：介于监督学习和无监督学习之间，同时利用少量标记数据和大量未标记数据来构建模型。在实际应用中，获取大量标记数据往往成本较高，而未标记数据相对容易获取，半监督学习可以充分利用这两种数据的优势。
    • 方法：有多种半监督学习方法，如自训练（Self - Training），先使用标记数据训练一个初始模型，然后用这个模型对未标记数据进行预测，将预测置信度高的数据及其预测标签加入到标记数据集中，不断扩充标记数据集并重新训练模型；还有基于图的半监督学习，将数据看作图中的节点，利用数据点之间的相似性（边的权重）来传播标签信息。

  4. 强化学习（Reinforcement Learning）

    • 定义：强化学习是一种智能体（agent）在环境（environment）中通过不断试错来学习最优行为策略的机器学习方法。智能体根据环境状态（state）采取行动（action），环境会反馈给智能体一个奖励（reward）信号，智能体的目标是最大化长期累积奖励。
    • 马尔可夫决策过程（Markov Decision Process，MDP）：是强化学习的基本框架。它包含一组状态、一组动作、状态转移概率（在某个状态下采取某个动作后转移到其他状态的概率）和奖励函数。智能体在这个过程中学习最优策略，即对于每个状态应该采取什么动作才能获得最大奖励。
    • 算法：常见的强化学习算法包括Q - 学习（Q - Learning）、深度Q - 网络（Deep Q - Network，DQN）及其扩展（如Double DQN、Dueling DQN）等。这些算法在游戏（如Atari游戏）、机器人控制、自动驾驶等领域有广泛应用。例如，在机器人导航任务中，机器人通过不断尝试不同的移动方向（行动），根据是否接近目标位置（奖励）来学习最优的导航策略。