2、机器学习入门：基础概念与Model Studio实践

机器学习入门：基础概念与Model Studio实践

1. 机器学习方法概述

机器学习主要有两种方法：监督学习和无监督学习。此外，还有半监督学习和强化学习等常见方法。
- 监督学习 ：从训练数据集开始，学习算法接收一组输入以及相应的正确输出或目标，通过比较实际输出与正确输出找出误差，然后相应地修改模型。常用于根据历史数据预测未来事件，如信用卡欺诈检测、保险理赔预测等。
- 无监督学习 ：用于处理没有历史标签的数据，算法需自行找出数据中的结构或模式。适用于交易数据，如客户细分、文本主题分割等。常用技术包括自组织映射、最近邻映射、k - 均值聚类和奇异值分解等。
- 半监督学习 ：用于与监督学习类似的应用，但使用有标签和无标签的数据进行训练，通常是少量有标签数据和大量无标签数据。当标记成本过高时很有用，如网络摄像头人脸识别。
- 强化学习 ：常用于机器人、游戏和导航领域。算法通过试错发现哪些行动能带来最大奖励，目标是让智能体学习最佳策略以在给定时间内最大化预期奖励。

2. 监督学习预测类型

监督学习的预测输出可分为三种类型：
| 预测类型 | 描述 | 示例 |
| ---- | ---- | ---- |
| 决策预测 | 与某种行动相关，通常是对案例进行分类，与分类问题对应 | 手写识别、欺诈检测、直邮营销 |
| 排名预测 | 根据输入变量与目标变量的关系对案例进行排序，实际得分不重要，相对顺序重要 | 信用评分 |
| 估计预测 |