数据挖掘系列笔记(2)：机器学习的应用实例

机器学习的应用领域非常广泛，而且随着VLSI技术的发展和大规模并行计算的推广，机器学习机器相关的大数据领域，再次成为研究的热点。

1. 学习关联性

从样本的空间中学习各种事件之间的关联性。以超市购物为例，X代表客户购买尿布的事件，Y代表客户购买奶粉的事件，则P(Y|X)代表客户在购买了尿布时，又购买了奶粉的概率。机器学习的一个任务就是，从一个大的样本空间之内，学习事件之间的关联性，以指导商业或其他领域的决策。

2. 监督学习

针对未知的系统，从已有的输入和输出关系中推算出系统的模型，用以预测新的输入下系统最可能的输出。监督学习有两种：分类和回归。两者的主要区别在于，分类是针对离散的系统，而回归是针对连续的系统。

2.1 分类

分类的一个例子是在银行系统中的应用，需要区分高风险客户和低风险客户。从银行的历史数据的，建立客户的个人信息（职业、年龄、收入等）和借贷风险的之间的关系，也即把依据个人信息，把客户划分为不同风险等级的类别。这样，当面对新客户的时候，就根据机器学习所建立的模型，预测出他的风险等级。因为个人信息和风险等级都可以视为离散值，所以属于监督学习中的分类，通常使用决策树的方法。

2.2 回归

回归与分类相似，只是面向连续的系统，所以通常用函数来拟合。例如，需要通过学习获得二手车的报价系统，则需要建立一个从二手汽车的特征到出售价格的函数。

3 非监督学习

非监督学习往往不是用来推算系统的模型，而是从样本中发现特征。例如从历史交易信息中发现频繁交易的客户，并总结其特征。从一组图片中找出频繁出现的局部特征，从蛋白质结构中发现反复出现的氨基酸序列。

4. 增强学习

此类学习中，其需要的结果是获得一种策略，也就是达到某个目标的动作序列。常见的就是博弈，例如国际象棋或者围棋。一旦有了能够学习如何玩好游戏的算法，就可以将这些算法用在具有更显著经济效益的领域。