机器学习（笔记三）

机器学习算法分类

根据数据集组成不同，可以把机器学习算法分成：
（1）监督学习
（2）无监督学习
（3）半监督学习
（4）强化学习

1.监督学习
输入的数据是由输入特征值和目标值所组成
函数输出可以是一个连续的值（称为回归）
函数输出的是个有限个离散值（称作分类）
（1）回归问题
预测房价

（2）分类问题、
根据肿瘤特征判断良性还是恶性，得到的是结果是“良性”或者“恶性”，是离散的。

2.无监督学习
输入数据是由输入特征值组成

输入数据没有被标记，也没有确定的结果。样本数据类别未知，需要根据样本间的相似性对样本集进行分类（聚类，clustering）试图使类内差距最小化，类间差距最大化。

总结

监督学习(supervised learning)（预测）

定义：输入数据是由输入特征值和目标值所组成。函数的输出可以是一个连续的值(称为回归），或是输出是有限个离散值（称作分类）。

In：有标签，Out：有反馈

目的：预测结果

案例：猫狗分类，房价预测

分类 k-近邻算法、贝叶斯分类、决策树与随机森林、逻辑回归、神经网络

回归 线性回归、岭回归

无监督学习(unsupervised learning)

定义：输入数据是由输入特征值所组成。

In：无标签，Out：无反馈

目的：发现潜在结构

案例：“物以类聚，人以群分”

聚类 k-means，降维

半监督学习

已知：训练样本Data和待分类的类别

未知：训练样本有无标签均可

应用（案例）：训练数据量过多时，

监督学习效果不能满足需求，因此用来增强效果。

强化学习

In：决策流程及激励系统，Out：一系列行动

目的：长期利益最大化，回报函数（只会提示你是否在朝着目标方向前进的延迟反映）

案例：学下棋

算法：马尔科夫决策，动态规划