机器学习的分类-1

基本分类

1、监督学习

       监督学习是指从标注数据中学习预测模型的机器学习问题。标注数据表示输入输出的对应关系，预测模型对给定的输入产生相应的输出。监督学习的本质是学习输入到输出的映射的统计规律。在监督学习中，将输入与输出所有可能取值的集合分别成为输入空间与输出空间。输入空间与输出空间可以是有限元素的集合，输入空间与输出空间可以是同一个空间，也可以是不同的空间，但通常输出空间远远小于输入空间。监督学习分为学习和预测两个过程，由学习系统与预测系统完成，在学习过程中，学习系统利用给定的训练数据集，通过学习或训练得到一个模型，在预测过程中，预测系统对于给定的测试样本集中的输入给出相应的输出。

2、无监督学习

       无监督学习是指从无标注数据中学习预测模型的机器学习问题。无标注数据是自然得到的数据，预测模型表示数据的类别、转换或概率，无监督学习的本质是学习数据中的统计规律或潜在结构。

3、强化学习

       强化学习是指智能系统在于环境的连续互动中学习最优行为策略的机器学习问题。假设智能系统与环境的互动基于马尔可夫决策过程，智能系统观测到的是与环境互动得到的数据序列。强化学习的本质是学习最优的序贯决策。

4、半监督学习与主动学习

       半监督学习是指利用标注数据和未标注数据学习预测模型的机器学习问题。通常有少量标注数据、大量未标注数据，因为标注数据的构建往往需要人工，成本较高，未标注数据的收集不需太多成本。本监督学习旨在利用未标注数据中的信息，辅助标注数据，进行监督学习，以较低的成本达到较好的学习效果。

       主动学习是指机器学习不断主动给出实例让教师进行标注，然后利用标注数据学习预测模型的机器学习问题。通常的监督学习使用给定的标注数据，往往是随机得到的，可以看作是“被动学习”，主动学习的目标是找出对学习最有帮助的实例让教师标注，以较小的标注代价达到较好的学习效果。