分析的演变
机器学习的基础是基于数据分析的发展而同步发展,在了解机器学习之前,我们先了解下分析的演变阶段:
描述性分析(Descriptive)- 预测性分析(Predictive) - 规范性分析(Prescriptive),而后面两个阶段的实现,和机器学习密不可分。
机器学习
机器学习的核心: 使用算法解析数据,从中学习,然后对某件、某些事件作出决定或者预测;
机器学习分类:
- 两类: 有监督学习,无监督学习;
- 三类: 有监督学习,无监督学习,强化学习;
大白话机器学习
有监督学习
计算机的训练数据不仅是具有已知某种或某些特性的样本,而且还把分类的结果(数据具有的标签)也一并提供给计算机分析。
计算机进行学习之后,再给它新的未知的数据,它也能用已建立的模型来预测未知样本,此种方法称为有监督学习。
举个栗子:
需要分辨动物是猫还是狗,在选取的数据中,对是猫还是狗已经明确添加了标签。
无监督学习
由于 缺乏足够的先验知识,因此难以人工标注类别或进行人工类别标注的成本太高,导致只给计算机训练数据但无法提供结果(标签),但是我们希望利用类别未知(没有被标记)的训练样本解决模式识别中的各种问题 - 通常是得到一些集合,集合内的数据在某些特征上相同或相似,这种方法称之为无监督学习。
举个栗子:
需要分辨动物是猫还是狗,在选取的数据中,并没有告知这个动物的分类(猫或狗),但是我们希望通过特征的相似性- 比如喜欢吃鱼还是吃骨头进行识别。
强化学习
强化学习是以“试错”的方式进行学习,是指使用机器的个人历史和经验来做出决定,通过与环境进行交互获得的奖赏指导行为,目标是使智能体获得最大的奖赏。
举个栗子:
一组没有分类的图片,如果系统判断正确,智能体将告诉系统判断正确,反之,将告诉系统判断错误,系统通过不断学习从而实现系统最高的准确率。