机器学习的分类

8 篇文章 0 订阅
2 篇文章 3 订阅

严格意义上来说,机器学习可以分为以下几类:有监督学习,无监督学习,半监督学习,强化学习。

1. 有监督学习

有监督学习是指在训练过程中的数据是同时又特征和标签的,也就是说模型在训练过程中是知道正确结果的,模型可以根据标签为指导进行参数调整,这种学习方式好像学习被监督了一样,因此监督学习的意义为:学习的过程有标签作为指导算法参数调整的过程。

2. 无监督学习

无监督学习是在训练过程中,数据只有特征而没有标签的。所以无监督学习通常不是分类而是聚类,即相似特征的样本聚集在一起。

3. 半监督学习

半监督学习是介于有监督学习和无监督学习之间的,通常针对于样本标签缺失或者样本过少的问题。这时候我们无法利用有监督学习直接进行训练,但是我们又想充分利用类标的信息。因此,半监督学习是一种介于有监督和无监督的一种折中方案

4. 强化学习

所谓强化学习就是智能系统从环境到行为映射的学习,以使奖励信号(强化信号)函数值最大,强化学习不同于连接主义学习中的监督学习,主要表现在教师信号上,强化学习中由环境提供的强化信号是对产生动作的好坏作一种评价(通常为标量信号),而不是告诉强化学习系统 RLS(Reinforcement Learning System)如何去产生正确的动作。由于外部环境提供的信息很少,RLS 必须靠自身的经历进行学习。通过这种方式,RLS 在行动-评价的环境中获得知识,改进行动方案以适应环境。

  • 1
    点赞
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
机器学习分类算法是一种将数据划分为不同类别的技术。下面是一些常见的机器学习分类算法的综述: 1. 逻辑回归(Logistic Regression):逻辑回归是一种广泛应用于二分类问题的线性模型。它通过将输入特征与权重相乘并加上偏置项,然后通过一个sigmoid函数将结果映射到0和1之间,从而预测样本属于某个类别的概率。 2. 决策树(Decision Tree):决策树是一种基于树结构的分类算法。它通过对特征进行逐步划分,构建一个树形结构来进行分类。每个内部节点表示一个特征,每个叶子节点表示一个类别。 3. 支持向量机(Support Vector Machines,SVM):SVM是一种二分类算法,其目标是找到一个最优的超平面来将不同类别的样本分开。它通过最大化两个类别之间的间隔来实现分类。 4. 朴素贝叶斯(Naive Bayes):朴素贝叶斯是一种基于贝叶斯定理的概率分类算法。它假设特征之间相互独立,并使用贝叶斯公式计算后验概率来进行分类。 5. K近邻算法(K-Nearest Neighbors,KNN):KNN是一种基于实例的分类算法。它通过计算新样本与训练集中最近的K个样本的距离,并根据这些样本的类别进行投票来进行分类。 6. 随机森林(Random Forest):随机森林是一种集成学习算法,它由多个决策树组成。每个决策树都是通过对训练集进行有放回抽样得到的,然后通过投票或平均来进行分类。 7. 神经网络(Neural Networks):神经网络是一种模拟人脑神经元工作方式的分类算法。它由多个神经元层组成,每个神经元通过激活函数将输入信号转换为输出信号,并通过反向传播算法进行训练。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值