机器学习常见的任务类型

在机器学习中，常见的任务类型包括：

---

🔹 1. 分类（Classification）

✅ 定义：

将输入数据分到有限个类别中的一种，输出是离散的标签（如“猫”“狗”或“0/1”）。

✅ 示例：

• 判断一封邮件是否是垃圾邮件（是/否）
• 图像识别中识别数字（0-9）
• 医疗诊断（健康/患病）

✅ 模型：

• 逻辑回归（Logistic Regression）
• 决策树、随机森林
• 支持向量机（SVM）
• K近邻（KNN）
• 神经网络

---

🔹 2. 回归（Regression）

✅ 定义：

预测一个连续值（实数），比如房价、温度等。

✅ 示例：

• 预测房价
• 预测未来股票价格
• 预测气温

✅ 模型：

• 线性回归（Linear Regression）
• 决策树回归
• 支持向量回归（SVR）
• 神经网络回归

---

🔹 3. 聚类（Clustering）

✅ 定义：

将数据自动分组，分组是无监督的，即没有标签。

✅ 示例：

• 客户群体划分（市场营销）
• 图像分割
• 新闻自动分类

✅ 常见模型：

• K-Means
• DBSCAN
• 层次聚类（Hierarchical Clustering）

---

🔹 4. 降维（Dimensionality Reduction）

✅ 定义：

把高维数据压缩成低维，尽可能保留信息，常用于可视化或预处理。

✅ 示例：

• 将100维特征压缩为2维用于画图
• 数据预处理前的特征压缩

✅ 方法：

• 主成分分析（PCA）
• t-SNE
• UMAP
• 自编码器（AutoEncoder）

---

🔹 5. 异常检测（Anomaly Detection）

✅ 定义：

识别与大多数数据行为不同的异常点。

✅ 示例：

• 信用卡欺诈检测
• 服务器入侵检测
• 工厂设备故障预警

✅ 方法：

• One-Class SVM
• 孤立森林（Isolation Forest）
• 统计方法、神经网络

---

🔹 6. 强化学习（Reinforcement Learning）

✅ 定义：

智能体在环境中试错学习策略，通过奖励/惩罚来优化行为。

✅ 示例：

• AlphaGo 下围棋
• 自动驾驶汽车决策
• 游戏AI

✅ 术语：

• 状态（State）、动作（Action）、奖励（Reward）
• 策略（Policy）、值函数（Value Function）

---

🔹 7. 排序（Ranking）

✅ 定义：

输出结果是有顺序的列表，而不仅仅是一个标签。

✅ 示例：

• 搜索引擎结果排序
• 推荐系统中排序商品
• 电商首页展示顺序

✅ 方法：

• Learning to Rank（排序学习）
• RankNet、LambdaRank、XGBoost Rank

---

🔹 8. 生成任务（Generative Tasks）

✅ 定义：

模型学习数据分布，从而生成新的数据。

✅ 示例：

• 图像生成（如生成“假人脸”）
• 文字生成（如 ChatGPT）
• 音乐生成

✅ 模型：

• GAN（生成对抗网络）
• VAE（变分自编码器）
• Transformer（如 GPT）

---

✅ 总结表格：

类型	输入	输出	学习方式
分类	特征	类别（标签）	有监督
回归	特征	连续值	有监督
聚类	特征	分组	无监督
降维	高维特征	低维特征	无监督
异常检测	特征	正常/异常	无监督/半监督
强化学习	状态/环境	动作策略	强化
排序	特征/内容	有序列表	有监督/半监督
生成	噪声/条件	图像/文字等	无监督/自监督

---