19、机器学习理论与实践全解析

机器学习理论与实践全解析

1. 机器学习类型

机器学习算法有多种分类方式，常见的分类基于两个因素：学习类型和主观分组。不同学习类型适用于不同的数据情况和问题场景，而主观分组则有助于我们根据模型目标来选择合适的算法。

1.1 学习类型

• 监督学习 ：数据中包含响应变量（标签）或可生成标签的机器学习算法属于监督学习。响应变量可以是连续的或分类的。若响应变量是分类的，问题为分类任务；若为连续的，则是回归任务，但也存在两者混合的情况。监督学习的应用包括语音识别、信用评分、医学成像和搜索引擎等。
• 无监督学习 ：当数据中没有标签时，这类机器学习算法被称为无监督学习。学习基于数据集中每行之间的相似性或距离度量。常用技术是聚类，还有关联规则挖掘（ARM），不过很多文献认为 ARM 是数据挖掘技术而非机器学习。无监督学习的应用有市场营销中的客户细分、社交网络分析、图像分割和气候学等。
• 半监督学习 ：介于有标签和无标签数据之间。在实际中，标注成本高，多数观测无标签但少数有标签时，半监督算法是构建模型的最佳选择。这些方法利用未标记数据虽组归属未知，但包含组参数重要信息的特点。
• 强化学习 ：监督和无监督学习算法需要干净准确且全面的数据以产生最佳结果。当学习数据当前不可用或会随时间快速更新时，强化学习是理想选择。强化学习算法（代理）通过迭代从环境中持续学习，直到探索完所有可能状态。其应用包括计算机棋类游戏（如国际象棋、围棋）、机器人手和自动驾驶汽车等。
</