机器学习分类及有监督学习相关概念

机器学习的方法

机器学习的方法是基于数据产生的"模型"（model）的算法，也称"学习算法"（learning algorithm）。

机器学习的分类

包括有监督学习（supervised learning）、无监督学习（unsupervised learning）、半监督学习（semi-supervised learning）、强化学习（reinforcement learning）。

有监督学习

指对数据的若干特征与若干标签（类型）之间的关联性进行建模的过程；只要模型被确定，就可以应用到新的未知数据上。这类学习过程可以进一步分
为「分类」（classification）任务和「回归」（regression）任务。在分类任务中，标签都是离散值；而在回归任务中，标签都是连续值。

无监督学习

指对不带任何标签的数据特征进行建模，通常被看成是一种“让数据自己介绍自己” 的过程。这类模型包括「聚类」（clustering）任务和「降维」（dimensionality reduction）任务。聚类算法可以将数据分成不同的组别，而降维算法追求用更简洁的方式表现数据。

半监督学习

半监督学习（semi-supervised learning）方法， 介于有监督学习和无监督学习
之间。通常可以在数据不完整时使用。

强化学习

强化学习不同于监督学习，它将学习看作是试探评价过程，以"试错" 的方式进行学习，并与环境进行交互已获得奖惩指导行为，以其作为评价。此时系统靠自身的状态和动作进行学习，从而改进行动方案以适应环境。

有监督学习相关概念解析

回归问题

在有监督学习过程中，当输出变量均为连续变量时，预测问题称为回归问题；

分类问题

当输出变量为有限个离散变量时，预测问题称为分类问题。

样本

比如：每一杯酒称作一个「样本」，十杯酒组成一个样本集。

特征

酒精浓度、颜色深度等信息称作「特征」。这十杯酒分布在一个多维特征空间中。

「输入」及「输入空间」

进入当前程序的“学习系统”的所有样本称作「输入」，并组成「输入空间」。

「输出」及「输出空间」

在学习过程中，所产生的随机变量的取值，称作「输出」，并组成「输出空间」。