1.监督学习
输入数据有特征值和目标值组成
回归:函数的输出是一个连续的值
分类:函数的输出是有限个离散的值
2.无监督学习
输入数据由输入特征值组成
输入数据没有被标记,也没有确定的结果,样本数据类别未知,需要根据样本间的相似性对样本进行分类(聚类,clustering),试图使类内差距最小化,类间差距最大化
3.半监督学习
训练集同时包含有标记样本和未标记样本数据,有特征值,但是一部分数据有目标值,一部分没有。
4.强化学习
自动进行决策。并且可以做连续决策动态过程,上一步的数据输出是下一步的数据输入。
从给定的训练数据集中学习出一个函数(模型参数),当新的数据到来时,可以根据这个函数预测结果。监督学习的训练集要求包括输入输出,也可以说是特征和目标。训练集中的目标是由人标注的。监督学习就是最常见的分类(注意和聚类区分)问题,通过已有的训练样本(即已知数据及其对应的输出)去训练得到一个最优模型(这个模型属于某个函数的集合,最优表示某个评价准则下是最佳的),再利用这个模型将所有的输入映射为相应的输出,对输出进行简单的判断从而实现分类的目的。也就具有了对未知数据分类的能力。监督学习的目标往往是让计算机去学习我们已经创建好的分类系统(模型)。
监督学习是训练神经网络和决策树的常见技术。这两种技术高度依赖事先确定的分类系统给出的信息,对于神经网络,分类系统利用信息判断网络的错误,然后不断调整网络参数。对于决策树,分类系统用它来判断哪些属性提供了最多的信息。
常见的有监督学习算法:回归分析和统计分类。最典型的算法是KNN和SVM。
————————————————
版权声明:本文为CSDN博主「风翼冰舟」的原创文章,遵循CC 4.0 BY-SA版权协议,转载请附上原文出处链接及本声明。
原文链接:https://blog.csdn.net/zb1165048017/article/details/48579677