当前位置： 首页 >> 机器学习 >> 机器学习系统类型

---

机器学习系统类型

2023-09-17 16:22:59 星期日  发表于北京  阅读：749

---

 现有的机器学习系统类型繁多，为便于理解，我们根据以下标准将它们进行大的分类 >1.否在人类监督下训练（有监督学习、无监督学习、半监督学习和强化学习） >2.否可以动态地进行增量学习（在线学习和批量学习） >3.简单地将新的数据点和已知的数据点进行匹配，还是像科学家那样，对训练数据进行模式检测然后建立一个预测模型（基于实例的学习和基于模型的学习） #### 有监督学习和无监督学习 根据训练期间接受的监督数量和监督类型，可以将机器学习系统分为以下四个主要类别：`有监督学习、无监督学习、半监督学习和强化学习` ##### 有监督学习 监督学习是指在给定的训练集中“学习”出一个函数（模型参数），当新的数据到来时，可以根据这个函数预测结果 监督学习的训练集要求包括输入和输出，即特征值和目标值（标签），训练集中数据的目标值（标签）是由人工事先进行标注的。 简单地说，监督学习是**包含自变量和因变量（有Y）**，同时可以用于分类和回归 监督学习的步骤如下 ###### 准备数据 监督学习首先要准备数据，没有现成的数据就需要采集数据或者爬取数据，或者从网站上下载数据。可以将准备好的数据集分为训练集、验证集和测试集。训练集是用来训练模型的数据集，验证集是确保模型没有过拟合的数据集，测试集是用来评估模型效果的数据集。 ###### 数据预处理 数据预处理主要包括重复数据检测、数据标准化、数据编码、缺失值处理、异常值处理等。 ###### 特征提取和特征选择 特征提取是结合任务自身特点，通过结合和转换原始特征集，构造出新的特征。特征选择是从大规模的特征空间中提取与任务相关的特征。特征提取和特征选择都是对原始数据进行降维的方法，从而去除数据的无关特征和冗余特征。 ###### 训练模型 模型就是函数，训练模型就是利用已有的数据，通过一些方法确定函数的参数。 ###### 评价模型 对于同一问题会有不同的数学模型，通过模型指标的比较来选取最优模型；对同一数学模型，通过模型指标的比较来调整模型参数。模型评价的基本思路是采用交叉验证方法。 ##### 常见的有监督学习算法  ##### 无监督学习 ###### 无监督学习的定义 非监督学习是指在机器学习过程中，用来训练机器的数据是没有标签的，机器只能依靠自己不断探索，对知识进行归纳和总结，尝试发现数据中的内在规律和特征，从而对训练数据打标签。 ###### 非监督学习的任务 非监督学习的训练数据是无标签的，非监督学习的目标是对观察值进行分类或者区分。 常见的非监督学习算法主要有三种：聚类、降维和关联。聚类算法是非监督学习中最常用的算法，它将观察值聚成一个一个的组，每个组都含有一个或几个特征。聚类的目的是将相似的东西聚在一起，而并不关心这类东西具体是什么。降维指减少一个数据集的变量数量，同时保证传达信息的准确性。关联指的是发现事物共现的概率。 ##### 常见的无监督学习算法