机器学习：监督vs无监督vs强化

当今世界产生的数据量非常巨大。这些数据不仅由人类生成，还由智能手机、计算机和其他设备生成。当然，基于可用的数据类型和存在的动机，程序员将选择如何使用特定的学习模型来训练算法。

机器学习是计算机科学的一部分，通过使用数据而不是程序员显式编程来重复执行任务，从而提高系统的效率。进一步让我们了解三种机器学习技术之间的区别——监督学习、非监督学习和强化学习。

监督学习

把自己想象成一个坐在教室里的学生，你的老师在监督你，“你如何解决问题”或“你做得是否正确”。同样，在监督学习中，输入以标记数据集的形式提供，模型可以从中学习，轻松提供问题的结果。

问题类型

监督学习处理两种类型的问题——分类问题和回归问题。

分类问题

该算法有助于预测离散值。可以认为，输入数据是特定类或组的成员。例如，在拍摄水果数据集的照片时，每张照片都被标记为芒果、苹果等。在这里，算法必须将新图像分类到这些类别中的任何一个。示例：

• 贝叶斯分类器
• 支持向量机
• 逻辑回归

回归问题

这些问题用于连续数据。例如，根据面积、位置、房间数量等预测城市中一块土地的价格。然后将输入发送到机器，根据前面的例子计算土地价格。示例-

• 线性回归
• 非线性回归
• 贝叶斯线性回归

无监督学习

这种学习算法与监督学习完全相反。简而言之，在无监督学习中没有完整和干净的标记数据集。无监督学习是自组织学习。其主要目的是探索潜在模式并预测输出。在这里，我们基本上为机器提供数据，并要求寻找隐藏的特征，并以一种有意义的方式对数据进行聚类。例子

• K–表示聚类
• 神经网络
• 主成分分析

强化学习

它既不是基于监督学习，也不是基于无监督学习。此外，在这里，算法学会了自己对环境做出反应。它正在迅速发展，并且产生了各种学习算法。这些算法在机器人、游戏等领域非常有用。

对于学习代理，总是有一个开始状态和一个结束状态。然而，要达到最终状态，可能会有不同的路径。在强化学习问题中，智能体试图操纵环境。代理人从一个州旅行到另一个州。代理人在成功时获得奖励（赞赏），但在失败时不会获得任何奖励或赞赏。通过这种方式，代理从环境中学习。

监督学习与非监督学习与强化学习的主要区别

1. 监督学习处理两个主要任务回归和分类。无监督学习处理聚类和关联规则挖掘问题。而强化学习处理的是开发或探索，马尔可夫决策过程、策略学习、深度学习和价值学习。
2. 监督学习使用标记的数据，这里的输出数据模式是系统已知的。但是，无监督学习处理的是未标记的数据，其输出基于感知的集合。而在强化学习马尔可夫决策过程中，代理以离散的步骤与环境交互。
3. 顾名思义，监督学习是高度监督的。无监督学习是不受监督的。与此相反，强化学习的监督程度较低，这取决于代理在确定输出时的作用。
4. 监督学习中的输入数据为标记数据。然而，在无监督学习中，数据是未标记的。强化学习中没有预定义数据。
5. 监督学习根据班级类型进行预测。无监督学习发现了潜在的模式。在强化学习中，学习代理充当一个奖励和行动系统。
6. 监督学习图将数据标记为已知输出。然而，无监督学习探索模式并预测输出。强化学习遵循试错法。
7. 总之，在监督学习中，目标是根据输入和输出值生成公式。在无监督学习中，我们发现输入值之间存在关联，并将其分组。在强化学习中，智能体通过与环境交互，通过延迟反馈进行学习。