机器学习分类

机器学习定义

1 机器学习 (Machine Learning): 一个程序被认为能从经验 E 中学习，解决任务 T，达到性能度量值P，当且仅当，有了经验 E 后，经过 P 评判，程序在处理 T 时的性能有所提升。

用下棋举例，其中：
经验E ：就是程序上万次的自我下棋(训练)的经验，
任务 T： 就是下棋。
性能度量值 P：就是它在与一些新的对手比赛时，赢得比赛的概率。

---

2.1监督学习 （Supervised Learning）：对于数据集中每一个样本都有对应的标签。通俗来说就是：给学习算法一个数据集。这个数据集由“正确答案”组成。即数据集中的每个样本都有相应的“正确答案”。（比如肿瘤的样本，恶性肿瘤良性肿瘤就是样本的标签）

监督学习包括：回归问题，分类问题。

回归：试着推测出这一系列连续值属性。

回归问题：通过回归来推出一个连续的输出。

• 给了一系列房子的数据，我们给定数据集中每个样本的正确价格，即它们实际的售价然后运用学习算法，算出更多的正确答案(比如你朋友新房子的价格)。
• 你有一大批同样的货物，有上千件一模一样的货物等待出售，这时想预测接下来的三个月能卖多少件？ 如果我有数千件货物，我会把它看成一个实数，一个连续的值。因此卖出的物品数，也是一个连续的值。

分类：试着推测出离散的输出值。（即非连续）

分类问题：其目标是推出一组离散的结果。

• 你有许多客户，这时你想写一个软件来检验每一个用户的账户。对于每一个账户，你要判断它们是否曾经被盗过？ 我会把预测的值，用 0 来表示账户未被盗，用 1 表示账户曾经被盗过。所以我们根据账号是否被盗过，把它们定为 0 或 1，然后用算法推测一个账号是 0 还是 1，因为只有少数的离散值，所以我把它归为分类问题。

---

2.2无监督学习 （Unsupervised Learning）：数据集中没有任何标签，或者是有相同的标签，或者就是没标签。但是可以通过一定的算法（如聚类算法）找到数据之间的结构关系。
比如：

• 聚类算法：判断出数据有两个不同的聚集簇，二者不同。
• 鸡尾酒晚会。
  实现公式：[W,s,v] = svd((repmat(sum(x.*x,1),size(x,1),1).*x)*x’);

---

以上为本人根据吴恩达老师的机器学习课程的学习笔记，如有错误或建议，请大方提出，感谢！