17、机器学习类型全解析：从监督学习到强化学习

机器学习类型全解析：从监督学习到强化学习

1. 机器学习概述

机器学习模型接收输入数据，学习其中的信号，识别模式，以产生有意义且可解释的输出。不同类型的机器学习模型以不同方式处理数据，为不同应用生成不同的输出。

机器学习有多种细分方式，可根据以下特征对其进行分类：
- 所使用的数据有机结构类型（树、图或神经网络）
- 最相关的数学领域（统计或概率）
- 训练所需的计算水平（深度学习）

从机器学习的顶层分支来看，主要有以下三个子集：
- 监督学习（SL）
- 无监督学习（UL）
- 强化学习（RL）

下面我们将逐一介绍这些类型。

1.1 监督学习（SL）

监督学习旨在找出数据集特征（自变量）与目标（因变量）之间的关联。例如，监督学习模型可能会尝试找出一个人的健康特征（心率、体重等）与该人患心脏病的风险（目标变量）之间的关联。基于这些关联，监督模型可以根据过去的示例进行预测。监督机器学习（SML）模型常被称为预测分析模型，因其能根据过去的情况预测未来。

SML 需要一种称为标记数据的数据类型，这种数据能完整、正确且全面地展示特征和目标变量。例如，在人脸识别中，我们使用之前标记为“人脸”或“非人脸”的图片来训练模型，然后让模型预测新图片中是否有人脸。

在使用监督学习时，我们通常将数据分为两部分：
- 特征：用于进行预测的列，也称为预测因子、输入值、变量或自变量。
- 响应：我们希望预测的列，也称为结果、标签、目标或因变量。

监督学习试图找出特征和响应之间的关系以进行预测。其原理是，未来