监督学习和无监督学习、生成模型和判别模型

机器学习分为：监督学习、无监督学习、强化学习

监督学习

监督学习是输入 ** 数据和标签** 进行训练学习，数据分为训练集和测试集。训练集用于训练模型，测试集用于验证模型的好坏。监督学习就像学生在学习时已知题目和答案，去学习分析如何解题一样，下次遇到一样的或者类似的题目就会做了。

监督学习包括：

决策树
KNN（K近邻算法）
LDA（线性判别分析）投影+KNN等分类算法可进行分类
Bayes（贝叶斯算法）
线性模型—回归：线性回归（LASSO回归、岭回归）
线性模型—分类：SVM、逻辑回归、CNN等

无监督学习

无监督学习输入的仅仅是一堆数据，没有标签，也没有训练集和验证集之分。算法根据数据本身的特征去学习。
无监督学习包括：

降维：

PCA主成分分析（线性降维）
流形学习

聚类：

K-means
层次聚类

强化学习

强化学习是在一定的情景下对做出的行为有一定的反馈。对的行为会被强化，错的行为会被惩罚，这样就使得模型学会了在给定的情景下做出最适当的行为。

 

生成模型

生成模型学习的是联合概率分布P(x,y)，即数据x和标记y同时出现的概率，然后去求出条件概率分布。能够学到数据书怎样生成的。需要大量的数据，数据越多，越接近于真实的模型。所需计算资源多。

 

判别模型

判别模型学习的是条件概率分布P(y|x)，即数据x是标记y的概率。主要学习数据之间的区别。所需计算资源少，不需要大量的数据，分类效果好。

转自：https://blog.csdn.net/pxh_ww/article/details/97135242

https://blog.csdn.net/u014128608/article/details/92787922