2、机器学习基础全解析

机器学习基础全解析

1. 机器学习的学习方式

机器学习系统通常可分为有监督和无监督学习两类。有监督学习中，程序通过学习带标签的输入输出对来预测输入对应的输出，即从“正确答案”的示例中学习。无监督学习则不依赖带标签的数据，而是尝试发现数据中的模式。

1.1 有监督学习

有监督学习程序依据输入对应的带标签输出示例进行学习。机器学习程序的输出有多种称呼，这里将其称为响应变量，其他名称还包括“因变量”“回归子”“标准变量”“测量变量”“响应变量”“解释变量”“结果变量”“实验变量”“标签”和“输出变量”等。输入变量也有多个名称，这里称输入为特征，其代表的现象为解释变量，其他名称有“预测因子”“回归元”“控制变量”和“暴露变量”等。响应变量和解释变量可以取实值或离散值。

1.2 无监督学习

无监督学习的一个常见任务是在数据集中发现相关观测的组，即聚类。聚类将观测分配到不同组中，使得同一组内的观测基于某种相似性度量比与其他组的观测更相似。例如，对电影评论进行聚类，可发现积极和消极评论的集合；在市场中，可发现产品客户的细分群体；互联网电台服务可根据歌曲的流派、调式或包含的乐器对歌曲进行分组。

1.3 半监督学习和强化学习

半监督学习问题介于有监督和无监督学习之间，会同时利用有监督和无监督的数据。强化学习靠近有监督学习的一端，程序不会从带标签的输入输出对中学习，而是根据决策获得反馈，但不会明确纠正错误。例如，学习玩《超级马里奥兄弟》等横向卷轴视频游戏的强化学习程序，完成关卡或超过一定分数时会获得奖励，失去生命时会受到惩罚，但这种反馈与具体的决策（如奔跑、躲避敌人或拾取道具）并无直接关联。