《机器学习》学习笔记_1.机器学习的分类

本篇包括：机器学习的分类（分类与回归、监督/半监督/无监督/增强学习、多示例多标签学习、判别式方法和产生式方法）。

1. 分类与回归

以体重为例：

分类classification：输出值为确定的类别标签，可能的标签有{正常、胖、瘦}

回归regression：输出为实数值，如80， 130， 103。

分类和回归其实可以转换，如回归中，把低于90的定义为瘦，高于120的定义为胖，其他为正常，就变成了分类问题。

PS：一般分类都是指二类问题，如果是多类问题，也可以转化为二类，多做几次分类即可。

2. 监督/半监督/无监督/增强学习

针对的是数据集中是否有标签，监督：全部有，无监督：都没有，半监督：只有一些有（而且大部分是少量有）。数学的定义为：

监督学习：

     

半监督学习：    

     

无监督学习：

     因为没有标签，所以是聚类问题，把数据集分成几个子集：

    

     常见算法：K-means， SVD， PCA, ICA, GMM, M.S., NMF

3.多示例多标签学习

如一张图片中有多个：蓝天、白云。。。。，要给什么标签？

包中至少有一个标签为正，则包的标签为正，

如果包中没有一个标签为正，则包的标签为负。

4.判别式方法和产生式方法

判别式：直接给分类的结果，有一个明确的分界面，即f: y=f(x)。

产生式：只给出属于某一类的概率，给出的是可能性，即p(y|x)

产生式可转为判别式：取概率高的类别为最终标签。如班上男女比例是6：1，在不看人的时候猜是男是女，一般就猜是男，因为男生的概率更大。

以下更详细的比较转自：http://blog.163.com/huai_jing@126/blog/static/1718619832011227757554/

判别式模型（discriminative model）