机器学习（一）机器学习简介

最近研究密码体制识别，分类器是其中重要的一环，最近实现了几个分类算法，记录一下以备不时之需。

机器学习

百度百科对机器学习的定义：机器学习是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。
我的理解就是通过对大量的输入数据进行训练，得到一个拟合度较高的模型，并使模型掌握数据中蕴含的潜在规律，用以对再次输入的新数据进行更精准的预测或分类。
机器学习中的两个问题：分类和回归。（这一系列主要关于分类）
分类问题可以分为三种学习方法：

监督学习

监督学习就是训练机器学习的模型的训练样本数据有对应的目标值，通过对数据样本因子和已知的结果建立联系，提取特征值和映射关系，通过已知样本不断的学习和训练，拟合模型，再对新的数据进行预测。比如手机识别垃圾短信，电子邮箱识别垃圾邮件，都是通过对一些历史短信、历史邮件做垃圾分类的标记，对这些带有标记的数据进行模型训练，然后获取到新的短信或是新的邮件时，进行模型匹配，来识别此邮件是或是不是，这就是监督学习下分类的预测。
简单来说，监督学习中，训练集样本的特征和标签都是已知的，通过判断特征和标签的关系训练模型。

监督学习难点是获取具有目标值的样本数据成本较高，成本高的原因在于这些训练集的要依赖人工标注工作。

无监督学习

区别于监督学习，无监督学习的样本数据没有目标值，即没有标签，所以无监督学习的重点工作是分析样本特征的内在关系和规律。无监督学习常用与聚类（k-means）。除此之外，无监督学习也适用于降维，无监督学习比监督学习好处是数据不需要人工打标记，数据获取成本低。

半监督学习

半监督学习是监督学习和无监督学习相互结合的一种学习方法，通过半监督学习的方法可以实现分类、回归、聚类的结合使用。半监督学习的分类是在无标签样本的帮助下训练有标签样本，从而获得比只用有标签样本训练得到更优的分类精度。