2021-09-08

监督学习 无监督学习 强化学习

监督学习：对于有标签的数据进行学习，目的是能够正确判断无标签的数据。通俗的讲，老师教授学生知识，并告知学习过程中的对与错，让学生可以从所学知识的经验和技能中对没有学过的问题进行正确回答，这就是监督学习，用于预测数据的回归、分类标签的分类、顺序的排序等问题。

无监督学习：对于无标签的数据进行学习，目的是不仅能够解决有明确答案的问题，也可以对没有明确答案的问题进行预测。通俗的讲，学生通过自学学习知识，达到可以正确回答有答案的问题，也可以对无答案的问题进行预测归类。常用于聚类、异常检测等。

分类 回归

分类目标：预测类别标签
回归目标：预测一个连续值

泛化 过拟合 欠拟合

泛化：一个模型能够对没见过的数据做出准确预测，我们就说它能够从训练集泛化到测试集

过拟合（over-fitting）拟合模型时太过贴近于训练数据的特征了，其实就是所建的机器学习模型或者是深度学习模型在训练样本中表现得过于优越，导致在测试数据集中表现不佳。

欠拟合（UnderFitting）：测试样本的数据特征抓取的较少，导致模型过于简单无法拟合或区分样本，这样的模型甚至在训练集上表现就很差。