?機器學習算法分類

根據數據集組成不同，可以把機器學習算法分為：

一、監督學習

定義：輸入數據是由輸入特征值和目標值所組成。

函數的輸出可以是一個連續的值(稱為回歸），或是輸出是有限個離散值（稱作分類）。

【資料圖】

1、回歸問題

例如：預測房價，根據樣本集擬合出一條連續曲線。

?

2、分類問題

例如：根據腫瘤特征判斷良性還是惡性，得到的是結果是“良性”或者“惡性”，是離散的。

二、無監督學習

定義：輸入數據是由輸入特征值組成，沒有目標值。

有監督，無監督算法對比：

?

三、半監督學習

定義：訓練集同時包含有標記樣本數據和未標記樣本數據。

監督學習訓練方式：

半監督學習訓練方式：

四、強化學習

定義：實質是make decisions 問題，即自動進行決策，并且可以做連續決策。

舉例：

小孩想要走路，但在這之前，他需要先站起來，站起來之后還要保持平衡，接下來還要先邁出一條腿，是左腿還是右腿，邁出一步后還要邁出下一步。

小孩就是 agent，他試圖通過采取行動（即行走）來操縱環境（行走的表面），并且從一個狀態轉變到另一個狀態（即他走的每一步），當他完成任務的子任務（即走了幾步）時，孩子得到獎勵（給巧克力吃），并且當他不能走路時，就不會給巧克力。

主要包含五個元素：agent, action, reward, environment, observation；

?

強化學習的目標就是獲得最多的累計獎勵。

監督學習和強化學習的對比

?

關鍵詞： 監督學習 無監督學習 編程算法 強化學習 機器學習