【机器学习基础】机器学习算法的分类——关于如何选择机器学习算法和适用解决的问题

本文链接：https://blog.csdn.net/jasonding1354/article/details/41720303

本文介绍了机器学习算法的分类，包括基于输出空间、数据标签、与机器沟通方式和输入空间的分类。讲解了二类分类、多类别分类、回归问题、结构学习等，并探讨了无监督学习、半监督学习和强化学习。强调了理解算法分类对于选择合适模型和实际应用的重要性。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

引子

系统的学习机器学习课程让我觉得受益匪浅，有些基础问题的认识我觉得是非常有必要的，比如机器学习算法的类别。
为什么这么说呢？我承认，作为初学者，可能无法在初期对一个学习的对象有全面而清晰的理解和审视，但是，对一些关键概念有一个初步并且较为清晰的认识，有助于让我们把握对问题的认识层次，说白了，就是帮助我们有目的的去学习新的知识，带着问题去学习，充满对解决问题的动力去实验，我觉得这种方式是有益并且良性的。
之前，我遇到过很多这方面的问题，可能出于对问题分析不够，在寻找解决的问题的方法或者模型的时候，有可能不知所措。造成这种情况的原因可能有两点：1、基础不深厚，不了解最常用的算法模型；2、学习过程中，缺乏对模型适用的实际问题的了解，缺乏将模型应用于实际问题的经验。
所以，在学习过程中，要特别注意的不光是深入研究算法的精髓，还要知道该算法的应用场合、适用条件和局限性。如果只是去探究原理，而不懂实际应用，只能是书呆子，只会纸上谈兵；如果只想拿来用，不去深究算法精髓，又只能游离在核心技术的边界，无法真正的领悟。只有结合理论和实践，才可以达到学习效果的最大化。从这条路径出发，一定要坚持不懈。

输入空间、特征空间和输出空间

输入空间和输出空间其实就是输入和输出所有可能取值的集合。输入和输出空间可以是有限元素的集合，也可以是整个欧式空间。输入空间和输出空间可以是一个空间，也可以是不同的空间；通常情况下，输出空间要远远小于输入空间。
特征空间是所有特征向量存在的空间。特征空间的每一维对应于一个特征。有时假设输入空间与特征空间为相同的空间，对它们不予区分；有时假设输入空间与特征空间为不同的空间，将实例从输入空间映射到特征空间。模型实际上都是定义在特征空间上的。
这就为机器学习算法的分类提供了很好的依据，可以根据输入空间、特征空间和输出空间的具体情况的不同，对算法限定的具体条件进行分类。