人工智能概述之05机器学习算法分类

算法分类

根据数据集组成不同，可以把机器学习算法分为：

  1. 监督学习（Supervised Learning）：

    • 定义： 算法从标记好的训练数据中学习，其中每个训练样本都包含输入和相应的输出标签。
    • 应用： 用于分类和回归问题，例如图像分类、语音识别、房价预测等。
    • 示例：
      • 分类问题：手写数字识别，垃圾邮件分类。
      • 回归问题：房价预测，销售预测。
    • 最佳实践：
      • 确保训练集和测试集的标签都是正确的。
      • 选择适当的性能指标，如准确性、精确度、召回率等。

  2. 无监督学习（Unsupervised Learning）：

    • 定义： 算法从未标记的数据中学习，没有明确的输出标签。其目标通常是发现数据的结构或模式。
    • 应用： 用于聚类、降维、关联规则挖掘等，例如聚类相似文档、降低数据维度、发现关联规律等。
    • 示例：
      • 聚类：客户分群，新闻主题聚类。
      • 降维：图像压缩，特征提取。
    • 最佳实践：
      • 选择合适的聚类算法或降维技术。
      • 调查和理解无监督学习模型输出的结果

  3. 半监督学习（Semi-supervised Learning）：

    • 定义： 这是监督学习和无监督学习的结合，其中模型使用标记和未标记的数据进行训练。
    • 应用： 适用于标记数据不充分的情况，通过结合未标记数据来提高模型性能。
    • 示例：
      • 文本分类，其中只有一小部分文档进行了标记
    • 最佳实践：
      • 确保未标记数据的质量。
      • 使用标记数据来引导模型的学习。

  4. 强化学习（Reinforcement Learning）：

    • 定义： 算法通过与环境的交互学习，根据其行动的反馈获得奖励或惩罚。
    • 应用： 用于决策问题，例如游戏玩家的训练、机器人控制等。
    • 最佳实践：
      • 设定适当的奖励和惩罚机制。
      • 平衡探索（exploration）和利用（exploitation）的权衡。
    • 示例：
      • 游戏玩家（例如AlphaGo）。
      • 机器人控制，自动驾驶车辆

  5. 自监督学习（Self-supervised Learning）：

    • 定义： 模型从输入数据中学习，而不需要显式的标签。通常，模型通过自己生成标签或任务来学习。
    • 应用： 用于图像、文本等领域，例如图像生成、文本补全等。

这些类型并不是孤立的，有时候算法可以同时使用多种学习方式。例如，半监督学习可以结合监督和无监督学习，提高模型的泛化能力

监督学习：

  • 输入数据是由输入特征值和目标值所组成。
    • 函数的输出可以是一个连续的值(称为回归），
    • 或是输出是有限个离散值（称作分类）。

 

 无监督学习

  • 输入数据是由输入特征值组成，没有目标值

    • 输入数据没有被标记，也没有确定的结果。样本数据类别未知；
    • 需要根据样本间的相似性对样本集进行类别划分

 

半监督学习

  • 训练集同时包含有标记样本数据和未标记样本数据。

 

强化学习

  • 实质是make decisions 问题，即自动进行决策，并且可以做连续决策。

监督学习和强化学习的对比：

 什么是独立同分布：https://blog.csdn.net/weixin_48135624/article/details/114907388

 

常见的算法简介

  1. 线性回归（Linear Regression）：

    • 描述： 用于建立输入特征与输出目标之间的线性关系。
    • 示例： 预测房价，基于房屋面积、卧室数量等特征。

  2. 逻辑回归（Logistic Regression）：

    • 描述： 用于处理二分类问题，通过 S 形曲线将输入映射到 0 到 1 之间的概率。
    • 示例： 预测邮件是垃圾邮件（1）还是非垃圾邮件（0）。

  3. 决策树（Decision Trees）：

    • 描述： 基于特征的条件进行决策，树形结构。
    • 示例： 根据天气条件（阳光、多云、雨）预测是否会下雨。

  4. 支持向量机（Support Vector Machines，SVM）：

    • 描述： 用于分类和回归任务，通过找到将数据划分为两个类别的最优超平面。
    • 示例： 图像分类，将图像分为不同的类别。

  5. 聚类算法 - K均值聚类（K-Means Clustering）：

    • 描述： 将数据集分为 k 个簇，使得每个数据点属于离其最近的簇。
    • 示例： 客户分群，根据购买行为将客户分为不同的群体。

  6. 朴素贝叶斯（Naive Bayes）：

    • 描述： 基于贝叶斯定理，处理分类问题，特征之间假设独立。
    • 示例： 垃圾邮件过滤，根据词汇判断邮件是否为垃圾邮件。

  7. 神经网络（Neural Networks）：

    • 描述： 模拟人脑神经元的网络结构，通过层次化学习来建立模型。
    • 示例： 图像识别，语音识别，自然语言处理等。

  8. 随机森林（Random Forest）：

    • 描述： 由多个决策树组成的集成学习模型，通过投票来进行预测。
    • 示例： 随机森林可以用于预测疾病风险，根据多个决策树的结果进行综合评估。
posted @ 2023-11-22 00:03  Allen_Hao  阅读(448)  评论(0)    收藏  举报