首页 > 漫谈机器学习
头像
风儿飘
编辑于 2021-01-06 17:36
+ 关注

漫谈机器学习

机器学习是一类算法的总称,这些算法企图从大量历史数据中挖掘出其中隐含的规律,并用于预测或者分类,更具体的说,机器学习可以看作是一个函数,输入是样本数据,输出是期望的结果,只是这个函数过于复杂,以至于不太方便形式化表达。

需要注意的是,机器学习的目标是使学到的函数很好地适用于“新样本”即“新目标”上面,而不仅仅是在训练样本上表现很好。学到的函数适用于新样本的能力,称为泛化(Generalization)能力。可以说机器学习是人工智能的核心,是使计算机具有智能的根本途径。

机器学习算法大致可以分为三类

监督学习算法
在监督式学习下,输入数据被称为“训练数据”,每组训练数据有一个明确的标识或结果,如对防垃圾邮件系统中“垃圾邮件”“非垃圾邮件”,对手写数字识别中的“1“,”2“,”3“,”4“等。在建立预测模型的时候,监督式学习建立一个学习过程,将预测结果与“训练数据”的实际结果进行比较,不断的调整预测模型,直到模型的预测结果达到一个预期的准确率。

无监督学习算法
在无监督式学习中,数据并不被特别标识,学习模型是为了推断出数据的一些内在结构。常见的应用场景包括关联规则的学习以及聚类等。常见算法包括Apriori算法以及k-Means算法。这类算法没有特定的目标输出。

强化学习算法

强化学习普适性强。在这种学习模式下,输入数据作为对模型的反馈,不像监督模型那样,输入数据仅仅是作为一个检查模型对错的方式,在强化学习下,输入数据直接反馈到模型,模型必须对此立刻作出调整。常见的应用场景包括动态系统以及机器人控制等。

常见算法包括

Q-Learning

时间差学习(Temporal difference learning)


常见的机器学习算法有以下十个:

线性回归算法 Linear Regression
支持向量机算法 Support Vector Machine,SVM
最近邻居/k-近邻算法 K-Nearest Neighbors,KNN
逻辑回归算法 Logistic Regression
决策树算法 Decision Tree
k-平均算法 K-Means
随机森林算法 Random Forest
朴素贝叶斯算法 Naive Bayes
降维算法 Dimensional Reduction
梯度增强算法 Gradient Boosting

全部评论

(1) 回帖
加载中...
话题 回帖

相关热帖

近期精华帖

热门推荐