26、机器学习在物联网中的多元应用

机器学习在物联网中的多元应用

1. 机器学习概述

机器学习并非全新概念，它与人工智能紧密相关，人工智能借助机器学习得以实现。通过机器学习，计算机系统能够执行分类、聚类、预测、模式识别等任务。其学习目标是建立一个模型，该模型接收输入信息并产生所需结果。有时我们能看到模型的具体形式，有时它则像一个难以直观解释其工作原理的记录器。模型通常被视为我们期望机器模仿的系统的一种推测，虽然可能会对某些数据产生误差，但总体上能给出正确响应。因此，除了速度和内存使用等指标外，结果的准确性也是评估机器学习算法性能的重要指标。

2. 机器学习的分类

机器学习算法可根据学习方式分为以下四类：
| 学习类型 | 处理问题 | 应用场景 | 特点 |
| — | — | — | — |
| 监督学习 | 回归问题（如气象预测、寿命评估、肿瘤预测）、分类问题（如数字识别、语音识别、临床诊断、字符变形识别） | 利用线性回归、随机森林、SVM、ANN等算法 | 有训练和测试两个阶段，训练数据集需有已知标签，算法学习数据值与标签之间的关联并预测输出值 |
| 无监督学习 | 降维（用于大数据可视化、特征输入、隐藏结构发现）、聚类问题（如推荐系统、客户细分、定向营销） | | 无标签数据，算法尝试在测试数据中发现模式，对数据进行聚类或预测未来值 |
| 半监督学习 | 结合了监督学习和无监督学习的特点 | | 使用有标签和无标签的数据，类似无监督学习，但部分有标签数据可带来改进 |
| 强化学习 | 预测一组标准化限制下的结果 | 如AI不良倾向、限制保障、机器人路径规划、时间跨度选择等应用 | 算法不断尝试，根据执行动作获得的奖励更新决策，直到找到最