AI算法机器学习主要类型

1. 什么是机器学习？

机器学习（Machine Learning）是人工智能的一个分支，其核心思想是让计算机通过分析数据自动“学习”规律，并利用这些规律对未知数据进行预测或决策。与传统编程不同，机器学习不是由人明确写出规则，而是从数据中自动归纳出模型。

---

2. 机器学习的主要类型

🟢 监督学习（Supervised Learning）

• 定义：使用带有标签的数据进行训练，模型学习输入特征与输出标签之间的映射关系。
• 任务类型：
  • 分类（Classification）：预测离散的类别（如垃圾邮件/非垃圾邮件）。
  • 回归（Regression）：预测连续值（如房价、温度）。
• 常用算法：
  • 线性回归、逻辑回归
  • 支持向量机（SVM）
  • 决策树、随机森林
  • K近邻（KNN）
  • 神经网络

🔵 无监督学习（Unsupervised Learning）

• 定义：使用没有标签的数据进行训练，模型试图发现数据中的结构或模式。
• 任务类型：
  • 聚类（Clustering）：将相似的数据分组（如用户分群）。
  • 降维（Dimensionality Reduction）：压缩数据维度，保留主要信息。
  • 异常检测（Anomaly Detection）：识别异常样本。
• 常用算法：
  • K均值聚类（K-Means）
  • 主成分分析（PCA）
  • 自编码器（Autoencoder）

🟡 半监督学习（Semi-Supervised Learning）

• 定义：结合少量有标签数据和大量无标签数据进行训练。
• 适用场景：当标注数据成本较高时（如医疗图像标注）。
• 优势：在数据稀缺的情况下仍能获得较好的模型性能