19、亚马逊Redshift ML：机器学习技术详解

亚马逊Redshift ML：机器学习技术详解

1. 机器学习技术概述

机器学习模型能够在数据中发现模式，并将这些模式应用于新数据以生成预测。常见的机器学习技术主要有以下三种通用方法：
- 监督式机器学习 ：该算法分析带标签的数据，学习如何将输入数据映射到输出标签，常用于分类和预测任务。
- 无监督式机器学习 ：与监督式不同，此算法不用于预测结果，处理的是无标签数据。它通过对数据进行聚类并识别聚类数据中的相似性来发现模式，常用于推荐系统和定向广告等领域。
- 强化学习 ：这种技术中，机器学习模型以类似于人类通过试错学习的方式进行学习。它针对数字智能体，将其置于特定环境中学习解决问题。智能体面临类似游戏的情境，需做出一系列决策以尝试实现正确结果。通过试错，智能体学习该做什么和不该做什么，并相应地获得奖励或惩罚。每次获得奖励时，它会强化该行为，并在下次使用相同策略。通过这种训练，机器学习模型可学会遵循指令、进行测试和操作设备等。

亚马逊Redshift ML支持监督式和无监督式学习方法。由于强化学习的复杂性，虽然它在亚马逊SageMaker中受支持，但并非亚马逊Redshift ML支持的技术。

2. 监督式学习技术

监督式学习是最常见的机器学习方法，从包含输入数据列和输出数据列的训练数据集开始。输入数据属性被称为“特征”，输出数据属性被称为“标签”。该训练数据集用于训练机器学习算法，以准确对数据进行分类或预测输出标签。

亚马逊Redshift ML支持的监督式学习机器学习问题有两种类型：