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