机器学习的任务

一、分类任务

1.二分类

二选一的分类任务。比如房价涨还是跌、天气晴还是阴、性别是男还是女。

2.多分类

人脸识别、数字识别、健康状况分级等。

很多复杂的问题也可以转换成多分类任务。

比如贪吃蛇，我们通过大量数据训练贪吃蛇，让贪吃蛇在每次前进时自己判断左移、右移、上移还是下移，这同样也是一个分类任务。

还比如下棋、无人驾驶都可以转换成分类问题。

一些算法只支持完成二分类任务，但是多分类的任务可以转换成二分类的任务，有一些算法天然可以完成多分类任务。

3.多标签分类

每个样本可以属于多个类别或标签。这与传统的二分类、多分类问题不同，在多分类问题中，每个样本只能属于一个类别。多标签分类在现实应用中更为常见，例如，一部电影可能同时属于“科幻”和“动作”类别。

二、回归任务

与分类任务不同的是，回归任务的结果是一个连续数字的值，而非一个类别。比如房价预测：

面积（平米）	房龄（年）	是否是学区	距地铁（千米）	价格（万）
100	5	是	1	300
110	4	是	2	200
120	3	否	3	100

在一些情况下，回归任务可以简化成分类任务。其实分类问题和回归问题也是监督学习要解决的两大问题。

3.监督学习

给机器的训练数据拥有“标记”或者“答案”。

生活中大部分的场景都属于“监督学习”的范畴，比如：判断一个人是否健康、股票价格、航班是否晚点等等。

常见的监督学习算法包括：K近邻、线性回归和多项式回归、逻辑回归、SVM、决策树和随机森林。

4.非监督学习

给机器的训练数据没有任何 “标记”或者“答案”。

非监督学习主要对没有“标记”的数据进行分类——聚类分析。

常见的应用还有对数据进行降维处理（方便可视化）、特征提取、特征压缩、异常检测。

5.半监督学习

一部分数据有标记或答案，另一部分没有。

这种学习方式在现实中更为常见：各种原因产生的标记缺失。通常对于半监督学习而言，通常先使用无监督学习手段对数据做处理，之后使用监督学习手段做模型的训练和预测。

6.增强学习

根据周围环境的情况，采取行动，根据采取行动的结果，学习行动方式。

增强学习的应用领域有无人机、机器人、阿尔法狗等。

7.批量学习（离线学习）

必须用所有可用数据进行训练。这通常会占用大量时间和计算资源。首先是进行训练，然后部署在生产环境且停止学习，它只会使用已经学到的策略。如果想让一个批量学习系统明白新数据（例如垃圾邮件的新类型），就需要从头训练一个系统的新版本，使用全部数据集（不仅有新数据也有老数据），然后停掉老系统，换上新系统。这种学习方式不容易适应新的变化。

8.在线学习

在数据不断到来的过程中，动态地更新模型。在线学习具有实时性，可以快速适应新数据的特征变化，而且可以避免离线学习需要重新生成模型的问题。但是，由于在线学习需要实时计算，因此会对系统的性能产生一定的影响。此外，由于在线学习需要实时计算，因此需要进行一定的模型设计和优化，以提高算法的效率和准确性。

9.参数学习

• 选择一种目标函数的形式
• 从训练数据中学习目标函数的系数

假设可以最大程度地简化学习过程，与此同时也限制可以学习什么，这种算法简化成一个已知的函数形式，即通过固定数目的参数来拟合数据的算法。一旦学到了参数，就不再需要原有的数据集。参数学习常见算法：

• Logistic Regression
• LDA（线性判别分析）
• 感知机
• 朴素贝叶斯
• 简单的神经网络

10.非参数学习

不对目标函数的形式作出强烈假设的算法称为非参数机器学习算法，通过不做假设，它们可以从训练数据中自由地学习任何函数形式，即参数数量会随着训练样本数量增长的算法。

不对模型进行过多假设，而且非参数不等于没参数。

非参数学习常见算法：

• KNN
• 决策树，比如CART和C4.5
• SVM