1,监督学习
给机器的训练数据拥有标记和答案
例如:
- 图像已经积累了标定信息
- 银行已经积累了客户的信息和信用卡的信息
2,非监督学习
给机器的训练数据没有标记或答案
对没有标记的数据进行分类 – 聚类分析
- 对数据进行降维处理
- 特征提取:把没用的特征忽略掉
- 特征压缩:PCA算法
- 方便可视化
- 异常检测:对一些错误的点去除
3,半监督学习(更常见)
一部分数据拥有标记或答案,而另一部分没用。
通常先采用无监督学习手段对数据进行处理,之后采用监督学习的手段做模型的训练和预测。
4,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。
- 无人驾驶
- 机器人
机器学习的其他分类
1,批量学习(离线学习)
优点:简单
问题:如何适应环境的变化
解决方案:定时重新批量学习
缺点: 每次重新批量学习,运算量大,在某些环境,甚至不可能(比如股市)
2,在线学习
优点:及时反映新的环境变化
问题:新的数据带来不好的数据变化
解决方法:加强对数据的监控
1,参数学习
其中a和b就是参数
在学到了参数之后,就不需要原有的数据了
2,非参数学习
不对模型有过多的假设
非参数不等于没参数
久利之事莫为,众争之地莫往。