机器学习常见分类

分类

监督学习：归类，预测，有标签

重要的监督学习的算法：
逻辑回归：用来分类，生成归属哪一类的可能性的值。
K近邻算法
线性回归
支持向量机
决策树和随机森林
神经网络

非监督学习

训练的数据没有标签，系统在没有老师的条件下进行学习。
重要算法：
聚类，可视化和降维，关联性规则学习
降维目的：简化数据同时不能失去大部分信息。做法之一是合并若干相关的特征。
例如：汽车的里程数和车龄高度相关，那么就可以把他们合成一个维度，表示汽车的磨损。这就叫特征工程。
除此之外还有一个重要的非监督学习任务是异常检测。
检测异常的信用卡转 账以防欺诈，检测制造缺陷，或者在训练之前自动从训练数据集去除异常值。异常检测的系 统使用正常值训练的，当它碰到一个新实例，它可以判断这个新实例是像正常值还是异常值
还有一个是关联规则学习：
挖掘大量数据来发现属性间的关系。例如，假设你拥有一个超市。在销售日志上运行关联规则，可能发现买了烧烤酱 和薯片的人也会买牛排。

半监督学习

一些算法可以处理部分带标签的训练数据，通常是大量不带标签的数据加上少部分带标签的数据。
比如 Google Photos，是半监督学习的好例子。一旦你上传了所有家庭相片，它就能自动识别相同的人 A 出现了相片 1、5、11 中，另一个人 B 出现在了相片 2、5、 7 中。这是算法的非监督部分（聚类）。现在系统需要的就是你告诉这两个人是谁。只要给每 个人一个标签，算法就可以命名每张照片中的每个人，特别适合搜索照片。
多数半监督学习的算法是非监督和监督算法的结合。

强化学习

首先学习系统对环境进行观察，选择和执行动作，获得奖励或者惩罚，然后找到哪个策略是最佳的学习方法，使得这个方法可以达到最大的奖励，进而执行哪种行动。

批量学习

用所有数据进行训练

在线学习

用数据持续的进行训练，可以一次一个或者几个实例（小批量），每个步骤都很快。