机器学习算法类型及其应用指南

机器学习 "一词经常被误认为是人工智能[JB1]，但机器学习实际上是人工智能的一个子领域/类型。机器学习也常被称为预测分析或预测建模。机器学习 "一词由美国计算机科学家阿瑟-塞缪尔(Arthur Samuel)于 1959 年创造，定义为 "计算机在没有明确编程的情况下进行学习的能力"。

在最简单的形式中，机器学习使用编程算法来接收和分析输入数据，以预测可接受范围内的输出值。当算法接收到新数据时，它们会学习并优化其操作，以提高性能并随着时间的推移发展 "智能"。机器学习算法有四种类型：监督学习、半监督学习、无监督学习和强化学习。

1.监督学习

在监督学习中，机器通过实例进行学习。操作员为机器学习算法提供一个已知数据集，其中包含所需的输入和输出，而算法必须找到获得这些输入和输出的方法。当操作员知道问题的正确答案时，算法会识别数据中的模式，从观察中学习并做出预测。算法预测，操作员纠正--这个过程一直持续到算法达到较高的准确率/性能水平为止。

监督学习的概念包括：分类、回归和预测。

a.分类：在分类任务中，机器学习程序必须推断出观察值，并确定新观察值属于哪个类别。确定新观测值属于哪个类别。例如，在将电子邮件过滤为 "垃圾邮件 "或 "非垃圾邮件 "时，程序需要查看现有的观测数据，并据此过滤电子邮件。

b.回归：在回归练习中，机器学习程序需要估计并理解变量之间的关系。回归分析的重点是一个因变量和其他一些变化的变量，因此特别适用于预测和预报。

c.预测： 预测是根据过去和现在的数据预测未来的过程，通常用于分析趋势。

2.半监督学习

半监督学习与监督学习类似，但同时使用标记数据和非标记数据。有标签的数据基本上是有意义标签的信息，这样算法就能理解数据，而无标签的数据则缺乏这种信息。利用这种结合，机器学习算法可以学会给无标签数据贴标签。

3.无监督学习

在这里，机器学习算法通过研究数据来识别模式。没有可选列表，也没有人类操作员给出指令。相反，机器通过分析可用数据来确定相关性和关系。在无监督学习中，机器学习算法负责解释大型数据集，并以适当的方式处理数据。算法试图以某种方式组织数据，以描述其结构。这可能意味着将数据分组或排列，使其看起来更有序。

随着算法评估的数据越来越多，它对数据做出决策的能力也会逐渐变得更好、更复杂。

无监督学习属于无指导学习的概念：

a.聚类：聚类是指(根据定义的标准)对相似数据进行分组。它有助于将数据划分为多个组，并对每个数据集进行分析，以找出模式。

b.降维：降维可以减少考虑的变量数量，从而找到所需的准确信息。

4.强化学习

强化学习是一种模式化的学习过程，在这一过程中，机器学习算法被赋予操作、参数和最终值。通过指定规则，机器学习算法会尝试探索不同的选项和可能性，并对每种结果进行监控和评估，以确定哪种结果是最优的。在强化学习中，机器通过试验和错误进行学习。它从以前的经验中吸取教训，开始根据当前情况调整自己的方法，以获得最佳结果。

海马课堂专业课程辅导，辅导不满意随心退，试听课全面升级，3500+严选硕博学霸师资，针对学生的薄弱科目和学校教学进度，匹配背景相符的导师，根据学生情况进行1V1专属备课，课程辅导产品升级赠送考前保障，上课时间灵活安排，中英双语详细讲解课程中的考点、难点问题，并提供多方位的课后辅导，辅助学生掌握全部课程知识，补足短板。