本文概述了机器学习的三个主要分支：监督学习（包括回归和分类问题）、无监督学习（如聚类和降维）以及强化学习（智能系统通过与环境交互学习策略）。作者引用了李航的《统计学习方法》一书作为参考。
机器学习基本分类概述
监督学习
定义：从标注数据中学习预测模型的机器学习问题
标注数据
→
\rightarrow
→输入输出对应关系
预测模型
→
\rightarrow
→对给定输入产生相应的输出
本质：学习输入到输出的映射的统计规律
应用：
- 回归问题：输入变量和输出变量均为连续变量的预测问题
- 分类问题：输出变量为有限个离散变量的预测问题
- 标注问题：输入变量和输出变量均为变量序列的预测问题
无监督学习
定义：从无标注数据中学习预测模型的机器学习问题
无标注数据
→
\rightarrow
→自然得到的数据
预测模型
→
\rightarrow
→数据的类别、转换或概率
本质：学习数据中的统计规律或潜在结构
应用：
- 聚类：数据纵向结构，将样本集合中相似的样本分配到相同的类，不相似的样本分配到不同的类
- 降维：数据横向结构，将训练数据中的样本从高维空间转换到低维空间
- 概率模型估计：数据横向纵向结构，假设训练数据由一个概率模型生成，由训练数据学习概率模型的结构和参数
强化学习
定义：智能系统在与环境的连续互动中学习最优行为策略的机器学习问题
本质：学习最优的序贯决策
目标：在所有可能的策略中选出价值最大的策略，而在实际学习中往往从具体策略出发，不断优化已有策略
智能系统与环境互动如下图所示，每一步t，智能系统从环境中观测到一个状态st与一个奖励rt，采取一个动作at。环境根据智能系统选择的动作，决定下一步t+1的状态st+1与奖励rt+1。
参考书籍：《统计学习方法》李航
扫一扫
8279
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
