机器学习分类及机器学习算法概览

机器学习分类及机器学习算法概览

机器学习可分为3类：（监督学习、无监督学习、强化学习）

1.监督学习：

监督学习表示机器学习的数据是带标记的，这些标记可以包括数据类别、数据属性及特征点位置等。这些标记作为预期效果，不断修正机器的预测结果。

每当想要根据给定输入预测某个结果，并且还有输入/输出示例时，都应该使用监督学习。

具体实现过程是：通过大量带有标记的数据来训练机器，机器将预测结果与期望结果进行对比；之后根据对比结果来修改模型中的参数，再一次输出预测结果；然后将预测结果与期望结果进行对比，重复多次直至收敛，最终形成具有一定鲁棒性的模型来达到智能决策的能力。

监督学习问题可以有两种类型：

分类：预测输出变量处于类别形式的给定样本的结果。例如男性和女性，病态和健康等标签。

回归：预测给定样本的输出变量的实值结果。例子包括表示降雨量和人的身高的实值标签。

最常用的监督机器学习算法有：

• K最近邻（kNN，k-NearestNeighbor）
• 线性回归
• 逻辑回归
• 决策树（Decision Tree）
• 随机森林
• 支持向量机（SVM，Support Vector Machine）
• 神经网络
• 朴素贝叶斯（Naive Bayesian）

2.无监督学习：

无监督学习问题只有输入变量（X），但没有相应的输出变