机器学习的分类

严格意义上来说，机器学习可以分为以下几类：有监督学习，无监督学习，半监督学习，强化学习。

1. 有监督学习

有监督学习是指在训练过程中的数据是同时又特征和标签的，也就是说模型在训练过程中是知道正确结果的，模型可以根据标签为指导进行参数调整，这种学习方式好像学习被监督了一样，因此监督学习的意义为：学习的过程有标签作为指导算法参数调整的过程。

2. 无监督学习

无监督学习是在训练过程中，数据只有特征而没有标签的。所以无监督学习通常不是分类而是聚类，即相似特征的样本聚集在一起。

3. 半监督学习

半监督学习是介于有监督学习和无监督学习之间的，通常针对于样本标签缺失或者样本过少的问题。这时候我们无法利用有监督学习直接进行训练，但是我们又想充分利用类标的信息。因此，半监督学习是一种介于有监督和无监督的一种折中方案

4. 强化学习

所谓强化学习就是智能系统从环境到行为映射的学习，以使奖励信号（强化信号）函数值最大，强化学习不同于连接主义学习中的监督学习，主要表现在教师信号上，强化学习中由环境提供的强化信号是对产生动作的好坏作一种评价（通常为标量信号），而不是告诉强化学习系统 RLS（Reinforcement Learning System）如何去产生正确的动作。由于外部环境提供的信息很少，RLS 必须靠自身的经历进行学习。通过这种方式，RLS 在行动-评价的环境中获得知识，改进行动方案以适应环境。