机器学习的其他分类

批量学习

批量学习就是通过大量的学习资料，让机器建立模型。
优点：简单。
问题：如何适应环境变化。就比如垃圾邮件识别系统，他每年可能都会产生改变，而以前的学习资料可能就无法满足识别现在的垃圾邮件。
解决方案：定时重新批量学习。
缺点：每次重新批量学习，运算量巨大。在某些环境变化非常快的情况，甚至不可能。比如股市，每分没秒都在变化。

在线学习

与批量学习大致相同，唯一不同的是会将输入样例当作结果输出。就比如股票这种每分每秒都在变化，输入的样例就是这一时刻的结果。
优点：及时反映新的环境变化。
问题：新的数据带来不好的变化。有时候会因为环境等因素，数据发生改变，成为错误的数据，这样就会使我们的机器产生不准确的结果。
解决方法：需求加强对数据进行监控。
其他：也适用于数据量巨大，完全无法批量学习的环境。

参数学习

通过数据建立方程，如y=ax+b，当我们确定a和b之后，再来一个数据我们不需要通过原有数据就可以确定y。

特点：一旦学到了参数，就不再需要原有的数据集。

非参数学习

不对模型进行过多假设。
注：非参数不等于没参数。