机器学习分类

1、机器学习类型

有监督学习:根据已有的训练集提供的样本数据，通过不断计算从样本中学习选择特征参数，对分类器建立判别函数以对被识别的样本进行分类。则么理解呢，首先已有的训练集指的是人为收集的数据，它具有主观性。它最终学习结果是要建立分类器，也就是最后我们得到的模型。至于中间学习、选择特征参数的过程就是利用数学建模，回归分类的过程。有监督学习可以有效利用先验数据对后验数据进行检验。

有监督学习根据输出类型分为回归和分类两种。回归问题指的输入输出都是连续的值，学习过程以计算距离为主。常见回归模型是线性回归和逻辑回归分类问题指的输出值y是离散的类别标记或者数值，可视为分类问题，以概率计算为主。常见模型有支持向量机、朴素贝叶斯。

无监督学习

模型本身不进行先验知识学习，不会对模型进行参数训练，而是使用被预测的样本数据进行预测的过程。无监督学习人为收集干预少，结果具备一定客观性。但是一般无监督学习计算过程较为复杂，需要大量分析后才有可能获取较好的预测结果。典型的无监督学习方法是聚类

强化学习

它主要强调的是基于当前环境下动作行为控制，以获取最优效果。它是由一系类累计的动作行为得到的最优效果，属于一种在线学习方式