机器学习概览

机器学习可以根据训练时的量和类进行分类：

 

•     监督学习
• 在监督学习中，用来训练的数据包含了答案，成为标签
• 实例：
• 一个典型的监督学习任务是分类。垃圾邮件过滤器就是一个很好的例子：用许多带有归类 （垃圾邮件或普通邮件）的邮件样本进行训练，过滤器必须还能对新邮件进行分类。
• 另一个典型任务是预测目标数值，例如给出一些特征（里程数、车龄、品牌等等）称作预测值，来预测一辆汽车的价格。这类任务称作 回归

 

                一些回归算法也可以用来分类，反之亦然

                

                算法：

• K近邻算法
• 线性回归
• 逻辑回归
• 支持向量机（SVM）
• 决策树和随机森林
• 神经网络

 

•     非监督学习

         训练数据没有加标签的

 

• 聚类
• K均值
• 层次聚类分析
• 期望最大值
• 可视化和降维
• 主成分分析
• 核主成分分析
• 局部线性嵌入
• t-分布邻域嵌入算法
• 关联性规则学习
• Apriori算法
• Eclat算法

 

•     半监督学习

 

                一些算法可以处理部分带标签的训练数据，通常是大量不带标签数据加上小部分带标签数据。这称作半监督学习

 

 

•     强化学习