机器学习解决的基本问题及案例

最近开始学习机器学习，在B站上找了视频，一边学习，一边记录，一边完成毕设。

机器学习解决的基本问题

1、分类

把一个输入映射为离散的类别
解决分类的算法有很多，比如KNN、支持向量机、决策树、朴素贝叶斯、逻辑回归、深度学习、图像分类、神经网络。
分类的评估指标，比如交叉熵、混淆矩阵、ROC、AUC、f1-score

2、回归

指的是要预测一个连续的值
回归可以用多种算法来解决，比如支持向量机、决策树、线性回归、岭回归、神经网络、以及我们很早以前学习的最小二乘。

3、聚类

把没有标签的数据自组织的聚成一簇，属于无监督学习
K-means聚类，谱聚类，DBSCAN 、核密度估计、高斯混合模型都可以解决聚类问题。

4、降维

把高维的数据压缩成2维或3维或者更低级的维度。如果压缩成为2维或3维，将便于我们的可视化。

强化学习

独立于监督学习和无监督学习

总结

离散&监督学习：分类
离散&非监督学习：聚类
连续&监督学习：回归
连续&非监督学习：降维