机器学习问题一览

标签（空格分隔）：机器学习 ML Machine　Learning

按数据类别分类

数据的类别只有两种，形式上可以转化成0/1或者是否问题

典型的二分类问题有：

数据的类别可能有有限多种

典型的多分类问题有：

回归问题指数据的取值可能是连续的或者有无数个可能值，比如气温，价格，时间

典型的回归问题有：

回归问题在机器学习出现之前就被大量研究，是传统统计学的一个重要的研究方向，所以当前的机器学习经常借鉴统计学的回归分析方式方法和工具。

我们到现在遇见的问题都是监督式学习问题。

数据类别不可知的非监督学习问题也称聚类问题

典型的非监督式学习问题有：

仅标注少数的有特性的数据，配合多数无标注数据进行学习，常用于标注数据集的成本较大而且数据集很大的情况。

半监督式学习通常要靠大量的未标注数据来提升算法的性能。

对于数据的预测和分析，对预测正确的case进行奖励，对预测错误的case进行惩罚，算法在预测中成长的一类问题

常见的增强学习问题有：

每次将一批数据放入感知机，对感知机进行训练，其目标函数g随着数据的成批填入变动

每当新的数据进入，就自动放入感知机训练，其目标函数随着数据变化一直在变动，类似流式处理，目标函数是不断改进的

eg. spam mail filter，垃圾邮件分类

通常增强学习用在Online learning中。

算法甄选出特征后，主动构造数据-分类，主动寻求反馈，根据反馈调整特征和参数，进而改进感知机/分类器性能。
通常主动学习用于data labeling 代价高昂以至于不能拥有很多标注数据的情况中。

posted @ 2015-09-28 21:28 _menc 阅读(198) 评论(0) 收藏举报

刷新页面返回顶部