各类机器学习算法

理解监督学习

首先要理解“监督学习”中的“监督”二字，何为“监督”？监督是指数据中带有的“标签”，通常是对特征的判断，进行类别划分。比如橘子的甜或者不甜，音乐的喜欢或者不喜欢。标签又分数值型标签和“标称型标签”，如果目标变量是标称型的，那么该问题就是分类问题，例如一种药品药效的好与坏，我们可以用数字1代表药效的好，药效的坏用数字0代表，这样 y i ∈ { 0 , 1 } y_i \in \{0,1\} yi​∈{0,1};如果目标变量是数值型，通常是连续型的，那么该问题通常就是回归问题，例如给定一个药品一段时间的售卖情况，对今后一周该药品的售卖的情况进行预测。综上所述，在监督学习中最后的数据结果是“有迹可循”的，是有目标的，通过使用大量数据，通过计算机对数据进行反复处理，最终能够产生接近正确答案标签的输出值。

理解无监督学习

与监督学习相反，在该类机器学习算法中数据是不会带有标签的，“聚类”是无监督学习的代表性方法（如下图），我们从下图可知改组数据被分为四类，每个颜色代表其中的一类，该类学习算法具有不存在所谓正确与否的答案的特点。

理解强化学习

实际上，除了监督学习和无监督学习以外，目前受关注较多的机器学习方法还有“强化学习”，在强化学习中也不需要监督，强化学习会提供“智能体”和“环境”。配备好智能体和环境后，智能体会根据环境的变化来采取相应的行动，环境根据行动的结果基于智能体一定的“报酬”，而智能体会根据其获取的报酬来对改行动作出“好”与“坏”的评价，并以此来决定下一次该如何采取行动。例如：围棋AI，象棋AI，机器人的操作和控制等。

---

往期文章：

1. .KNN算法Python代码实现.
2. 如何在Latex文章中插入MATLAB代码.
3. latex Beamer模板.
4. 机器学习简介一.