机器学习概论

一、什么是机器学习

1、基本定义

        在没有明确设置的情况下，让计算机具有学习能力；让计算机不断学习某一类的问题，然后

利用大量学习的经验从而有基本解决这一问题的能力。

2、学习算法基本分类

        （1）监督学习

                人为教授计算机学习（目的明确，需要给数据打标签，可以衡量效果）。

        （2）无监督学习

                计算机自己学习（没有明确的目的，不需要给数据打标签，无法量化效果）。

        （3）强化学习

        （4）半监督学习

二、机器学习算法介绍（监督学习和无监督学习）

1、监督学习

        （1）定义

                给算法一个数据集，其中每一条数据都包含正确答案，而算法的目的就是给出更多的正

        确答案；

        （2）常见的监督学习算法

                ①回归分析（regression）

                        例：KNN（K-NearesNeighbor）临近算法：对于一个新的数据点，将计算其周围相

                同距离内哪一类的数据点多，就把这个新数据点归为哪一类；

                ②统计分类（classification）

                        例：SVM（Support Vector Machine）：找到一个决策边界来将两类样本分开（这

                个决策边界距离两个样本各自最近的样本最远是最好的，这样的边界就叫做超平面）；

2、无监督学习

        （1）定义

                输入的数据无标记，也无确定的结果，类别也未知，无监督学习则是没有明确目的的训

        练方式，你无法提前知道结果是什么，根据样本间的相似性对样本集进行分类（聚类），尽

        量做到让类内的差距最小化，类间的差距最大化。

        （2）无监督学习算法的特点

                ①无监督学习没有明确的目的；

                ②无监督学习不需要给数据打标签；

                ③无监督学习无法量化效果；

        （3）无监督学习的常见算法

                ①聚类算法

                        例：K-means：一开始随机选择k个样本作为聚类的中心，然后对每个数据集中的

                数据都计算它到每个中心的欧氏距离，并将其分配到距离最小的聚类中心所属的类别

                中，然后对每个类别都重新计算它的聚类中心，最后重复上面的步骤，直到达到某个终

                止条件就停下；

                ②异常检测

                ③降维算法

本篇文章到此结束，感谢各位读者的阅读！