机器学习和数据挖掘的联系与区别

一、机器学习概率

机器学习的算法有很多，这里从两个方面进行介绍：一个是学习方式，另一个是算法类似性。

1.学习方式

根据数据类型的不同，对一个问题的建模可以有不同的方式

1）监督学习：

在监督学习下，输入数据被称为“训练数据”，每组训练数据都有一个明确的标识或结果，如对防垃圾邮件系统中的“垃圾邮件”、“非垃圾邮件”，对手写数字识别中

的“1”、“2”、“3”、“4”等。在建立预测模型的时候，监督学习建立一个学习过程，将预测结果与“训练数据”的实际结果进行比较，不断地调整预测模型，直到模型的预测结果达到一个预期的准确率。监督学习的常用应用场景包括分类问题和回归问题。常用算法有逻辑回归和反向传递神经网络。

2）非监督学习：

在非监督学习下，数据并不被特别标识，学习模型是为了推断出数据的一些内在结构。常见的应用场景包括关联规则的学习及聚类等。常用算法包括Apriori算法和K-means算法。

3）半监督学习：

在半监督学习下，输入数据部分被标识，部分没有被标识。这种学习模型可以用来进行预测，但是模型首先需要学习数据的内在结构，以便合理地组织数据进行预测。其应用场

景包括分类和回归。常用算法包括一些对常用监督学习算法的延伸。这些算法首先试图对未标识的数据进行建模，然后在此基础上对标识的数据进行预测，如图论推理算法或拉

普拉斯支持向量机等。

4）强化学习：

在强化学习下，输入数据作为对模型的反馈，不像监督模型那样，输入数据仅仅作为一种检测模型对错的方式。在强化学习下，输入数据直接反馈到模型，模型