第三次授课

最新推荐文章于 2022-05-06 16:23:50 发布

南阳北海

最新推荐文章于 2022-05-06 16:23:50 发布

阅读量277

点赞数 1

分类专栏：人工智能

本文链接：https://blog.csdn.net/nan9909/article/details/102733112

版权

人工智能专栏收录该内容

4 篇文章 0 订阅

订阅专栏

机器学习的四种学习方式与分类问题和回归问题的异同点

文章目录

机器学习的四种学习方式与分类问题和回归问题的异同点

一、什么是机器学习？

当我们听到某个熟人的声音，我们能够反应过来说话者是谁；看到一个人的外貌，对于对方的性别，我们也能够轻而易举的了然于胸；游戏打多，学会预判；这些都是我们大脑对于数据进行处理分析，形成的经验。而机器学习，是一门致力于通过计算的手段来帮助计算机形成经验的学科。

我们通过给予计算机数据，然后通过算法来生成模型，在面对新的数据的时候就能够给出一个判断。

二、四大主要学习方式

1.监督学习(supervised learning)

定义：监督学习是指：利用一组已知类别的样本调整分类器的参数，使其达到所要求性能的过程，也称为监督训练或有教师学习。 (百度百科)

通常对于输入的数据我们称为“训练数据”，并且对于每份数据都有一定的标识。

该学习方式通过训练数据进行结果的预测，再将预测结果与真实情况进行比较，通过优化预测模型，使预测结果更趋向于真实情况，直到模型的预测结果达到算法的峰值。

监督学习的常见场景为：分类问题与回归问题。

2.半监督学习(Semi-Supervised Learning，SSL)

定义：半监督学习是监督学习与无监督学习相结合的一种学习方法。半监督学习使用大量的未标记数据，以及同时使用标记数据，来进行模式识别工作。当使用半监督学习时，将会要求尽量少的人员来从事工作，同时，又能够带来比较高的准确性。（百度百科）

对于大量数据的标记是十分耗费人力物力的，而半监督学习可以减少人力物力并且一定程度上提升监督学习的准确度。

该学习方式是采用大量未标记数据以及标记过的数据进行学习，通过对未标记数据的分类情况与标记数据的学习情况进行学习，通过对未标记数据提取特征，映射到特征空间中，会发现数据会产生聚类的效果，再根据有标记数据的相互映照，这样可以加强监督训练的边缘信息情况。

常见应用场景：分类与回归问题。

3.非监督学习(unsupervised learning)

定义：非监督学习是指在没有类别信息情况下，通过对所研究对象的大量样本的数据分析实现对样本分类的一种数据处理方法。

该学习方法使用的数据不包含标记信息，通过分析大量数据形成数据在特征空间中的聚类情况。比如说，算法对一堆语料库进行训练，去获取某种语言的语法规则，那么当你想说“我爱中国”的“我爱“的时候，模型能够猜测出你接下来要说的可能是人名、人称代词、地址名词等等。

常见应用场景：关联规则的学习或聚类等等。

4.强化学习(Reinforcement Learning, RL)

定义：强化学习又称再励学习、评价学习或增强学习，是机器学习的范式和方法论之一，用于描述和解决智能体在与环境的交互过程中通过学习策略以达成回报最大化或实现特定目标的问题。

这样讲可能会比较抽象，举个例子，假如瓜田中西瓜花的长势只与浇水量相关，我们放了一台浇水器在瓜田中，那么刚开始，浇水机并不懂得应该浇多少水，它可能会去尝试不同的浇水量，那么在不考虑其他因素的影响下，不同的浇水量就决定了花的长势，长得好的所对应的浇水量就应该被奖励，长势不好的就应该被惩罚，通过制定与环境所对应的奖惩机制来改进模型。

常见应用场景：动态系统以及机器人控制等。