1、机器学习的不同类型
机器学习属于人工智能的一个分支,专门用于对数据进行自动分析以发现相关规律,从而对未知数据进行预测。机器学习的研究方式一般是基于现有数据生成模型,在解决问题时,使用该模型进行判断、预测。
机器学习方法通常是从已知数据中去学习数据中蕴含的规律或者判断规则,借此获取新知识、新技能。已知数据的用途是学习素材,而学习的主要目的是推广,即把学到的规则应用到未来的新数据上,并做出新的判断或预测。
1.1 监督学习
监督学习是机器学习中最常见的一种学习方法,该方法是从现有的数据中获取一定的规则,该规则可以通过训练结果的反馈对学习过程进行调整,即起到一个监督作用。
例如,我们已知多种不同水果以及它们各自的颜色、重量、尺寸,有无核等特征信息。通过对该数据进行训练,掌握不同水果对应哪些具体的特征并将此对应关系记录下来,之后专门输入颜色、重量等特征信息,可以预测出该水果的种类。
在上述预测过程中,已知的水果颜色、重量、尺寸,有无核等特征信息为训练集,其种类为预测量的真实值,利用该真实值对学习过程不断进行调整,已知水果颜色、重量、尺寸,有无核等特征信息但不知其种类的数据集为测试数据,利用学习到的规则对其种类进行预测。
1.2 无监督学习
上述监督学习过程要求为每个样本提供预测量的真实值,这在有些应用场景是困难的,在这些应用场景中,只知道特征信息,不知道预测量的真实值,需要通过自我学习的方式,发现其中的规则,这种不提供监督信息的条件下进行学习的方法称为无监督学习。
例如,同一种水果在不同地区它们的颜色、重量、尺寸等信息均存在月底那个的差别,现已知所有水果的特征信息数据集,对该数据集进行训练,利用自我学习的方式发现不同地区水果之间的差别从而进一步将该数据集进行划分,同一地区的水果数据集划分为同一类。
1.3 强化学习
在机器学习的实际应用中,还有一种类型的问题就是利用学习到的模型来指导行动。
例如在下棋的过程中,需要关注的不是某次移动是否是正确的,而是关注这次移动能够给后期的博弈带来什么影响。为了解决这类问题,强化学习被提了出来。
强化学习的重点是需要获得一个策略去指导下一步的行动,也就是在下棋的过程中,指导在当下的场景中需要将棋子下在哪一个位置。与监督学习不同,该方法不需要一系列的输入和预测的样本,它主要在行动过程中进行学习。