基本假设:训练和测试数据有相同分布
流程
目的:分类与回归classification/regression
分类模型:离散(定性)
etc:
Logistic Regression( 通过sigmoid 函数映射到(0,1)上,阈值划分二分类)
SVM(超平面分割)
Naive Bayes(后验P(y|x) 给定x得到各个类y的概率)
回归模型:连续(定量)
etc:
Linear Regression(y=wx+b)
类别
监督学习:有标签 p(x) 用于预测
etc:
KNN(k近邻,若样本在特征空间中的k个最邻近(相似)的样本中的大多数属于某一个类别,则该样本也属于这个类别)
Decision Tree(节点分裂选择---信息增益-熵)
Naive Bayes(假设数据集属性间相互独立)
无监督学习:无标签 p(y|x)、p(x,y) 用于找关联
etc:
k-mean(聚类)
PCA(降维 正交化 保留最主要的一些特征向量)
GMM(混合高斯模型)
EM(Expectation-Maximization Algorithm EM迭代 最大似然估计)
AE(自动编码器 利用反向传播算法使得输出值等于输入值的神经网络)
GAN(生成对抗网络)
G-generator-生成器: 负责凭空捏造数据出来
D-discriminator-判别器: 负责判断数据是不是真数据
训练G、D使得生成数据以假乱真
半监督学习:结合监督学习和无监督学习
迁移学习:
数据域不同:数据空间不同、数据分布不同
任务不同:预测标签不同、映射不同
强化学习:
(强化学习内容很多后续会有专题说明)
部分图片来源于伯禹学习平台https://www.boyuai.com/