机器学习的分类

品牌型号:Redmibook Pro 15
系统:Windows 10

机器学习的分类

文章插图
1、监督学习:表示机器学习的数据是带标记的,这些标记可以包括数据类别、数据属性及特征点位置等 。这些标记作为预期效果,不断修正机器的预测结果 。具体实现过程是:通过大量带有标记的数据来训练机器,机器将预测结果与期望结果进行比对;之后根据比对结果来修改模型中的参数,再一次输出预测结果;然后将预测结果与期望结果进行比对,重复多次直至收敛,最终生成具有一定鲁棒性的模型来达到智能决策的能力 。
常见的监督学习有分类和回归:分类(Classification)是将一些实例数据分到合适的类别中,它的预测结果是离散的 。回归(Regression)是将数据归到一条“线”上,即为离散数据生产拟合曲线,因此其预测结果是连续的 。
2、无监督学习:表示机器学习的数据是没有标记的 。机器从无标记的数据中探索并推断出潜在的联系 。常见的无监督学习有聚类和降维 。在聚类(Clustering)工作中,由于事先不知道数据类别,因此只能通过分析数据样本在特征空间中的分布,例如基于密度或基于统计学概率模型等,从而将不同数据分开,把相似数据聚为一类 。降维(Dimensionality Reduction)是将数据的维度降低 。例如描述一个西瓜,若只考虑外皮颜色、根蒂、敲声、纹理、大小及含糖率这6个属性,则这6个属性代表了西瓜数据的维度为6 。进一步考虑降维的工作,由于数据本身具有庞大的数量和各种属性特征,若对全部数据信息进行分析,将会增加训练的负担和存储空间 。因此可以通过主成分分析等其他方法,考虑主要影响因素,舍弃次要因素,从而平衡准确度与效率 。
3、强化学习:是带有激励机制的,具体来说,如果机器行动正确,将施予一定的“正激励”;如果行动错误,同样会给出一个惩罚(也可称为“负激励”) 。因此在这种情况下,机器将会考虑如何在一个环境中行动才能达到激励的最大化,具有一定的动态规划思想 。
【机器学习的分类】4、深度学习:深度学习是新兴的机器学习研究领域,旨在研究如何从数据中自动地提取多层特征表示,其核心思想是通过数据驱动的方式,采用一系列的非线性变换,从原始数据中提取由低层到高层、由具体到抽象、由一般到特定语义的特征 。深度学习不仅改变着传统的机器学习方法,也影响着人类感知的理解,迄今已在语音识别、图像理解、自然语言处理和视频推荐等应用领域引发了突破性的变革 。