零基础机器学习(2)之机器学习的类型

一、按学习类型分类

从学习过程来看，机器学习可分为监督学习（supervised learning）、无监督学习（unsupervised learning）、半监督学习（semi-supervised learning）、强化学习（reinforcement learning）和深度学习（deep learning）。

1.监督学习

监督学习是从带有类别标签（label）的训练数据中学得一个模型，并基于此模型预测新样本标签的一种学习方式，是机器学习中使用最广泛的一种类型。

2.无监督学习

无监督学习是机器学习的另一大类学习方法，是在无标签的训练样本中发现数据规律的一种学习方式。

3.半监督学习

半监督学习是监督学习与无监督学习结合在一起的一种学习方法。

半监督学习方法训练模型时，可以先利用有标签的样本训练出一个模型，用这个模型去预测新的数据，然后询问专家，再将这个样本变为有标签样本；把这个新获得的有标签的样本加入训练集后重新训练一个模型，再去预测，依次重复，若每次都能预测出对改善模型性能帮助较大的数据，则只需询问专家较少的次数就能构建出较强的模型，从而大幅度降低标记成本。

4.强化学习

强化学习它能根据环境的改变而改变，从而获取最大的收益。

5.深度学习

深度学习的概念来源于对人工神经网络的研究，其模型结构是一种含多隐层的神经网络。

二、按完成的任务分类

1.回归

回归属于监督学习，最初是统计学中的一种方法，用来预测某个变量的变化趋势，其预测结果是连续的值，如预测房价、预测股价等。

若一个产品的实际价格为300元，通过回归分析预测值为299元，则认为这是一个比较好的回归分析。回归是对真实值的一种逼近预测。

圆点表示带有标签的训练数据；回归曲线表示经过训练后获得的回归函数或回归模型。若该回归任务表示对商品价格走势的预测（x表示年份，y表示商品价格），则由回归函数可以预测未来某年的商品价格。

在机器学习领域中，回归任务的实现需要先对数据样本点进行拟合，再根据拟合出来的函数对输入的新数据进行输出预测

2.分类

分类是通过在已有数据的基础上进行学习，得到一个分类模型，该模型可以将待分类的数据集映射到某个给定的类别中，从而实现数据分类。其中，分类模型也称为分类器。（属于有监督学习）

实心的正方形和圆表示带有标签的训练数据；分界线表示经过训练后获得的分类模型；空心的正方形和圆表示对输入的新数据进行预测。

在机器学习领域，分类任务的实现需要先利用已有数据训练一个分类模型（类似于数据样本中的分界线），然后对输入的新数据进行预测，即根据分界线对新数据进行分类，

3.聚类

聚类属于无监督学习，是按照某个特定标准把一个数据集分割成不同的类，使得同一类中的数据对象之间相似性尽可能大，不同类中的数据对象之间差异性也尽可能大。聚类任务中，每个类称为一个簇。

例如，现有多个客户的购物记录数据，且未对数据进行标记，通过聚类任务可将具有相同购物习惯的客户汇聚成类，不同类中的客户购买的商品种类不同，店铺运营即可根据该反馈信息向客户推荐相关商品。

聚类任务常用于对目标群体进行多指标划分.

补充：由于聚类任务中的数据没有标签，所以不知道输入数据的输出结果是什么，但是可以清晰地知道输入数据属于数据的哪一类。