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