3、机器学习基础方法解析

机器学习基础方法解析

1. 强化学习

强化学习主要适用于处理包含长期与短期奖励权衡的问题。它在许多领域都被证明是有效的，如机器人控制、电梯调度、电信、西洋双陆棋和跳棋等。强化学习具有影响力的两个因素是：使用样本提高性能，以及使用函数逼近处理大规模场景。

一个简单的强化学习模型包含以下部分：
1. 一组环境状态；
2. 一组动作；
3. 状态间转移的规则；
4. 定义动作即时标量回报的规则；
5. 指定智能体观测的规则。

2. 决策树

决策树是一种辅助决策的技术，它使用树状结构的选择模型及其可能的意义，包括偶然事件结果、资源成本和服务等。它是一种有监督的机器学习算法，陈述有限。决策树常用于运筹学，特别是决策分析，以帮助找到最有可能实现目标的方法，同时也是机器学习和数据挖掘中广泛使用的工具。其目标是根据各种输入参数建立一个预测目标变量/输出值的模型。

决策树的相关概念如下：
- 根节点 ：将数据划分为两个或更多子集，其关键属性通过属性选择度量（ASM）技术选择。
- 分支 ：完整决策树的一部分，也称为子树。
- 分裂 ：使用箭头根据 if - else 条件将一个节点划分为两个或更多子节点的过程。
- 决策节点 ：将子节点进一步划分为后续子节点的节点。
- 叶节点或终端节点 ：决策树的终点，子节点不能再进一步分裂。
- 剪枝 <