12、机器学习基础与任务控制框架解析

机器学习基础与任务控制框架解析

1. 机器学习基础

机器学习作为人工智能的一个分支，主要包含训练和测试两个阶段。训练阶段是利用学习算法从已知属性中学习知识，测试阶段则是运用训练阶段学到的知识对未知属性进行预测。从这个角度看，训练和测试也分别被称为学习和预测。在实际应用中，机器学习任务旨在通过学习算法构建模型，进而使用该模型进行预测，这一过程通常被称为预测建模。

1.1 机器学习的类型

机器学习可分为监督学习和无监督学习两种特殊类型：
- 监督学习 ：如同有老师指导的学习，训练集中的所有实例都带有标签，学习结果明确。其目的是通过学习有标签的数据构建模型，然后对其他无标签实例的预测属性值进行预测。预测属性值可以是离散的或连续的，因此监督学习可用于分类和回归任务。
- 无监督学习 ：类似于没有老师监督的学习，训练集中的实例没有标签，学习结果不明确。其目标是从数据集中发现先前未知的模式，包括关联和聚类。关联旨在识别属性之间的相关性，聚类则是根据对象之间的相似性对其进行分组。

1.2 机器学习算法分类

机器学习算法可以分为以下几类：
| 算法类型 | 特点 | 类比学生学习方式 |
| — | — | — |
| 决策树学习 | 以归纳为基础学习一组规则，以决策树的形式生成规则，采用分治法 | 类似于学生学习的自上而下方法，如将教科书分为不同层次 |
| 规则学习 | 以归纳为基础学习一组规则，直接从训练实例生成 if - then 规则，采用分而治之法 | 类似于学生学习的迭代方法，先通读材料，再深入理解重