如何基于学习策略对机器学习进行分类？

在有关学习策略的研究中，学习策略的界定始终是一个基本问题。对于什么是学习策略，人们从不同的研究角度和使用不同的研究方法，提出了各自不同的看法。在机器学习中学习是一项复杂的智能活动,学习过程与推理过程是紧密相连的,为了改善机器学习系统,我们有许多改善机器学习系统的方法,比如增加更多的训练集,修改神经网络的结构等等。那么如何基于学习策略对机器学习进行分类？下面我们就给大家解答一下这些问题。

在机器学习中，学习策略是一个不容忽视的内容，学习策略就是指学习过程中系统所采用的推理策略。而通常来说一个学习系统总是由学习和环境两部分组成。由环境提供信息，学习部分则实现信息转换，用能够理解的形式记忆下来，并从中获取有用的信息。这就是学习策略的知识。一般来说，学习策略的分类标准就是根据学生实现信息转换所需的推理多少和难易程度来分类的，依从简单到复杂，从少到多的次序分为以下六种基本类型。

第一种就是示教学习，学生从环境获取信息，把所获知识转换成内部可使用的形式，将新的知识和原有知识有机地结合为一体。教师以某种形式提出和组织知识，以使学生拥有的知识可以不断地增加。所以要求学生有一定程度的推理能力，但环境仍要做大量的工作。这种学习方法和人类社会的学校教学方式相似，学习的任务就是建立一个系统，使它能接受教导和建议，并有效地存贮和应用学到的知识。不少专家系统在建立知识库时使用这种方法去实现知识获取。

第二种就是机械学习，在这种学习中学习者无需任何推理或其它的知识转换，直接吸取环境所提供的信息。这类学习系统主要考虑的是如何索引存贮的知识并加以利用。系统的学习方法是直接通过事先编好、构造好的程序来学习，学习者不作任何工作，或者是通过直接接收既定的事实和数据进行学习，对输入信息不作任何的推理。

第三种就是类比学习，类比是人认识世界的一种重要方法，亦是诱导人们学习新事物、进行创造性思维的重要手段。通过类比，从源域的知识推导出目标域的相应知识，从而实现学习。类比学习系统可以使一个已有的计算机应用系统转变为适应于新的领域，来完成原先没有设计的相类似的功能。

第四种就是演绎学习，是指在学习过程中，学生所用的推理形式为演绎推理。推理从公理出发，以观察和分析基础上提出问题，经过逻辑变换推导出结论。这种推理是保真变换和特化的过程，使学生在推理过程中可以获取有用的知识，从而掌握知识技能的理论。这种学习方法包含宏操作学习、知识编辑和组块技术。演绎推理的逆过程是归纳推理。

第五种就是基于解释的学习，学生根据教师提供的目标概念、该概念的一个例子、领域理论及可操作准则，首先构造一个解释来说明为什么该例子满足目标概念，然后将解释推广为目标概念的一个满足可操作准则的充分条件。EBL已被广泛应用于知识库求精和改善系统的性能。

第六种就是归纳学习， 归纳学习旨在从大量的经验数据中归纳抽取出一般的判定规则和模式，是从特殊情况推 导出一般规则的学习方法。这种学习的推理工作量远多于示教学习和演绎学习，因为环境并不提供一般性概念描述。从某种程度上说，归纳学习的推理量也比类比学习大，因为没有一个类似的概念可以作为源概念加以取用。归纳学习是最基本的，发展也较为成熟的学习方法，在人工智能领域中已经得到广泛的研究和应用。

通过对机器学习的进一步了解，我们对机器学习有了更一步加深的了解。通过文章介绍，我们也明白如何基于学习策略对机器学习进行分类。这些问题看似很难，但关于机器学习的知识都是一点一点积累的，都是需要慢慢深入的。希望大家都能学有所层，在职场中发挥光彩。