MATLAB深度学习笔记（三） 机器学习的类型

（三）机器学习的类型

机器学习根据训练方法的不同可以分为三类，监督学习、无监督学习、强化学习。

监督学习和人类的学习过程很相似，

1）选择一个练习题，运用已有的知识去解决它，将答案和正确答案进行比较；

2）如果答案不对，换一种方法；

3）重复1和2直到解决所有的问题。

机器学习和这个例子类比，练习题和答案对应于训练数据，知识对应于模型。重要的是我们需要一个正确答案，这是监督学习的一个重点。就像是老师给学生提供解法一样。

在监督学习中，每一个训练数据集包含输入数据和与之对应的正确的输出数据。对于同样的输入数据，监督学习就是不断的修正模型，尽可能使实际输出数据和正确的输出数据相同。相反，无监督学习就是只有输入数据，而没有对应的正确输出数据。

无监督学习通常用在研究数据的特性和对数据进行预处理上，就像学生只能通过结构和特性对问题进行分类，但无法解决它，因为学生没有正确答案。

强化学习有输入数据，输出数据和数据的等级，它通常用在一些需要最佳交互的情形下，比如控制和游戏。

这本书只使用监督学习，比起无监督学习和强化学习，监督学习运用范围更广。

1 分类与回归

监督学习里常用的两个概念是分类与回归。

先说分类，分类是机器学习里普遍的应用，例如将数据分类。举一些例子，

垃圾邮件过滤➔按常规邮件或垃圾邮件分类；

数字识别➔将数字分为0-9；

面部识别➔将人脸按照不同用户分类；

在分类问题中，我们想知道输入数据属于哪一类，所以正确的输出数据就是相对应的类别。回到之前点的形状分类的问题，我们想要建立的模型是通过输入不同的坐标，判断点属于圆形还是三角形。

图3-1 点的分类问题

可以列出训练数据集N,如下图所示。

图3-2 训练数据集分类

与分类不同，回归不会对数据分类，它对值进行估计，例如，现在有年龄和收入的数据集，希望建立一个年龄和收入之间关系的模型，这就是一个回归问题。

图3-3 年龄和收入之间的回归问题

分类和回归都属于监督学习，不同的是，分类的正确输出是类别，而回归的正确输出是值，可以估计数据的趋势。作为参考，无监督学习的一个典型应用是聚类，聚类判断个体数据的特征，并对相关数据进行分类，但它和分类是两种完全不同的方法，很容易混淆。