机器学习分类
按机器学习本身分类,而可分为:
- 监督学习
- 非监督学习
- 半监督学习
- 加强学习
监督学习
给机器的训练数据拥有“标记”或者说是“答案”。
主要是回归和分类问题,本课程以下算法为监督学习:
- K临近
- 线性回归和多项式回归
- 逻辑回归
- SVM
- 决策数和随机森林
非监督学习
对没有标记的数据进行分类–聚类分析
可以对数据进行降维处理和异常监测(作用)。
半监督学习
一部分数据有标记,一部分数据没有标记
通常都会先使用无监督学习手段对数据做处理,之后使用监督学习的手段做模型的处理和预测。
增强学习
agent会根据环境的反馈(奖赏或者惩罚)自己,如无人驾驶和机器人
其他分类
分类1:
- 批量学习
- 在线学习
批量学习(batch)和在线学习(online)
批量(离线)学习模型一旦建好,新的样本不会加入数据集改造模型。
在线学习会把新的样本加入数据集,但要加强对数据的监控,防止有害数据。
分类2:
- 参数学习
- 非参数学习
参数学习和非参数学习
参数学习:
会构建类似f(x) = ax+b 的数学模型,学习a,b参数
非参数学习:
不会构建数学模型,但非参数学习并不是没有参数。
[学习资料来源](https://www.bilibili.com/video/av74542270?p=7)