机器学习系统的种类
今天呢,对机器学习的种类进行介绍~
从是否在人类监督下训练,可以分为:监督式学习、无监督式学习、半监督式学习和强化学习;
从是否可以动态地进行增量学习,可以分为:在线学习和批量学习;
从是简单地将新的数据点和已知的数据点进行匹配,还是像科学家那样,对训练数据进行模式检测,然后建立一个预测模型,可以分为:基于实例的学习和基于模型的学习。
下面呢,我们来看一下第一种分类。
1、监督式学习,就是包含了所需解决方案的训练数据,称为标签或标记。分类任务和回归任务都是典型的监督式学习任务。不过一些回归算法也可以用于分类任务,比如逻辑回归就被广泛地用于分类,它可以输出属于某个给定类别的概率的值。
2、无监督式学习,训练数据都是未经过标记的。比如聚类算法、可视化算法、降维、异常检测,关联检测学习等。降维的目的是在不丢失太多信息的前提下简化数据,方法之一是将多个相关特征合并为一个,这个过程叫作特征提取。异常检测是系统用正常实例进行训练,然后当看到新的实例时,它就可以判断出这个新实例看上去是正常还是异常。关联规则学习目的是挖掘大量数据,发现属性之间的有趣联系。
3、半监督式学习,就是处理部分标记的训练数据——通常是大量未标记数据和少量的标记数据。大多数半监督式学习算法是无监督式和监督式算法的结合,例如深度信念网络。
4、强化学习,它的学习系统称为智能体,它必须自行学习什么是最好的策略,策略代表智能体在特定情况下应该选择的操作。DeepMind的AlphaGo项目是一个强化学习的好例子。
其它的分类方式下一篇再讲^ ^