机器学习总结---初入知识

1：机器学习：有监督、无监督、强化学习。

强化学习：不给定标签的情况下，对自己的预测结果进行评判。也就是自我评估，通过自我评估，学生不断学习预测结果不断提高。

2：回归、分类、异常检测、聚类、降维。

1）回归：回归的目标变量为连续型，也即是回归对连续型变量做出预测。从连续统计数据中获得数学模型，这些数学模型可用作分类或预测。

七种回归：Linear Regression线性回归、Logistic Regression 逻辑回归、Polynomial Regression 多项式回归、Stepwise Regression 逐步回归、Ridge Regression 岭回归、Lasso Regression 套索回归、ElasticNet回归。

2）异常检测：异常检测又可以看做一个二分类的任务。

异常检测实际是一种非监督学习，异常检测通常有大量负样本、没有或只有很少正样本，异常检测中的异常多种多样而且样本稀少，无法对异常进行学习。

3.机器学习模型：线性（加法、乘法），核模型（高斯核函数），层级模型（神经网络）

4.鲁棒学习：可有效出来机器学习中的异常值，实现有效性和鲁棒性之间简单平衡。

1）l1损失：对于L1损失LS, 只要中间值不变, 异常值对最终结果影响不大。

2）Huber损失：Huber损失LS能很好地平衡有效性和鲁棒性。Huber混合使用了L1和L2损失

3）Tukey损失：同