机器学习基石笔记3——在何时可以使用机器学习（3）

3 Types of Learning
3.1 Learning with Different Output Space Y

从输出空间类型的角度分类机器学习的方法。

1. 二元分类（Binary Classification）：输出标签是离散的，二类的。

2. 多元分类（Multiclass Classification）：输出标签是离散的，多类的。二元分类是多元分类的特殊情况。

3. 回归（Regression）：输出是连续值。

4. 结构学习（Structured Learning）：输出是结构。结构学习和分类的区别是结构学习的输出没有明确的类别区分。

 

小结：

 

 

做道题：

 

解答：

3.2 Learning with Different Data Label yn

从数据标记的角度分类机器学习的方法。

1. 监督学习（Supervised Learning）：用有标记的数据训练假设。

2. 非监督学习（Unsupervised Learning）：用无标记的数据训练假设。

常见的例子：聚类、密度估计、异常检测等等。

 

3. 半监督学习（Semi-supervised Learning）：由于无标记数据量巨大、标记的成本较大等原因，训练假设的数据一部分（通常是少量的）是有标记的。

常见的例子：人脸识别、药效预测等等。

 

4. 强化学习（Reinforcement Learning）：训练假设的数据的标记是“隐式的”，通常不容易或不能正确表现。通俗地讲，就是输入数据到系统，如果系统的输出与预计的输出不符，“惩罚”系统；如果输出与预计接近或相同，“奖励”系统，从而达到调整系统的目的，优化学习效果。

常见的例子：广告系统（通过用户是否点击广告来调节广告的展示：当前用户点击的广告是当前用户感兴趣的，那么下一次电脑就会多呈现类似主题的广告）等等。

 

小结：

 

做道题：

 

解答：

 

3.3 Learning with Different Protocol f ⇒ (xn, yn)

从学习策略的角度分类机器学习的方法。

1. 批量学习（Batch Learning）：样例一次性批量输入给学习算法，可以被形象的称为填鸭式学习，从而得到一个固定的假设。是最常见的机器学习策略。

2. 在线学习（Online Learning）：注意与批量学习的区别：在线学习的假设是不断根据样例进行调整的。

2.1 当前的假设被动地接受一个新样例，然后根据真实值与预测值来重新调整模型参数。

2.2 连续地进行2.1，直到所有的样例完成。及时不断地用样例去修正模型，进行优化。

例子：PLA和强化学习。

在邮件分类上批量学习和在线学习的区别：

 

3. 主动学习（Active Learning）：注意和在线学习的不同。半监督学习的一种。对于不确定的实例，学习算法可以主动询问当前实例的标记，得到反馈后，调整系统，继续学习。

 

上述3种学习策略的不同：

 

小结：

 

做道题：

 

解答：

3.4 Learning with Different Input Space X

从输入空间的角度分类机器学习的方法。

1. 具体特征（Concrete Features）：特征的每一维度都有实际具体的自然含义，经过人工提取，包含人类的智慧。

例子：

2. 原始特征（Raw Features）：特征的每一维只有简单的自然含义，需要机器或者人工转换成更具体的含义。

例子：识别手写体，输入只是图片中简单的像素矩阵。

3. 抽象特征（Abstract Features）：特征的每一维看似没有自然含义。需要进一步的特征转换、特征抽取和特征构造。

例子：各类评分系统（电影打分等等），给定用户和对象，得到该用户对该对象的打分情况。首先抽取出userid的特征，以及抽取每首歌曲itemid的特征，再用这些特征去学。

 

学习的难度由大到小：抽象特征>原始特征>具体特征。

原始特征、抽象特征都需要特征工程(Feature Engineering)的再处理。离散特征一般只需要简单选取。

 

小结：

 

做道题：

 

解答：

 

总结：