机器学习：监督学习、非监督学习、强化学习
监督学习：回归、分类
监督学习：
- 目标是生成一个模型，能够将任何输入特征映射到标签，即预测。举一个具体的例子。 假设我们需要预测患者是否会心脏病发作，那么观察结果“心脏病发作”或“心脏病没有发作”将是我们的标签。 输入特征可能是生命体征，如心率、舒张压和收缩压。
回归：
- 回归（regression）是最简单的监督学习任务之一。 比方说，假设我们有一组房屋销售数据表格，其中每行对应于每个房子，每列对应于一些相关的属性，例如房屋的面积、卧室的数量、浴室的数量以及到镇中心的步行分钟数等等。 对机器学习来说，每个样本即为一个特定的房屋，相应的特征向量将是表中的一行。 家中的（平方英尺、卧室数量、浴室数量、步行距离）特征向量可能类似于：[600,1,1,60][600,1,1,60]。 然而，如果你住在匹兹堡，这个特征向量可能看起来更像[3000,4,3,10][3000,4,3,10]…… 为什么这个任务可以归类于回归问题呢？本质上是输出决定的。 假设你在市场上寻找新房子，你可能需要估计一栋房子的公平市场价值。 销售价格，即标签，是一个数值。 当标签取任意数值时，我们称之为回归问题。 我们的目标是生成一个模型，它的预测非常接近实际标签值。
- 生活中的许多问题都可归类于回归问题。 比如，预测用户对一部电影的评分可以被认为是一个回归问题。因为评分是一个数值，标签（即输出）是数值时，为回归问题。再比如，预测病人在医院的住院时间也是一个回归问题。 总而言之，判断回归问题的一个很好的经验法则是，任何有关“多少”的问题很可能就是回归问题。比如：这个手术需要多少小时？在未来六小时，这个镇会有多少降雨量？
分类：
- 虽然回归模型可以很好地解决“有多少？”的问题，但是很多问题并非如此。 例如，一家银行希望在其移动应用程序中添加支票扫描功能。 具体地说，这款应用程序需要能够自动理解照片图像中看到的文本，并将手写字符映射到已知字符之一（这个类就是几万种了，有一万个汉字就是一万个类）。 这种“哪一个？”的问题叫做分类（classification）问题。 在分类问题中，我们希望模型能够预测样本属于哪个类别（category，正式称为类（class））。 例如，对于手写数字，我们可能有10类，分别数字0到9。 最简单的分类问题是只有两类，我们称之为“二元分类”。 例如，数据集可能由动物图像组成，标签可能是{猫,狗}两类{猫,狗}两类。 在回归中，我们训练一个回归函数来输出一个数值； 而在分类中，我们训练一个分类器，它的输出即为预测的类别。
无监督学习：
- 到目前为止，所有的例子都与监督学习有关，即我们向模型提供巨大数据集：每个样本包含特征和相应标签值。
- 相反，如果你的工作没有十分具体的目标，你就需要“自发”地去学习了。 如你的老板可能会给你一大堆数据，然后让你用它做一些数据科学研究，却没有对结果要求。我们称这类数据中不含有“目标”的机器学习问题为无监督学习（unsupervised learning）。那么无监督学习可以回答什么样的问题呢？我们来看看下面的例子：
- 因果关系（causality）和概率图模型（probabilistic graphical models）问题：我们能否描述观察到的许多数据的根本原因？例如，如果我们有关于房价、污染、犯罪、地理位置、教育和工资的人口统计数据，我们能否简单地根据经验数据发现它们之间的关系？
- 聚类（clustering）问题：没有标签的情况下，我们是否能给数据分类呢？比如，给定一组照片，我们能把它们分成风景照片、狗、婴儿、猫和山峰的照片吗？同样，给定一组用户的网页浏览记录，我们能否将具有相似行为的用户聚类吗？（因为拍的照片是随机的，今天突然拍山峰，拍了十来张，是否会自动生成山峰的分类？）
- 主成分分析（principal component analysis）问题：裁缝们已经开发出了一小部分参数，这些参数相当准确地描述了人体的形状，以适应衣服的需要。
- 生成对抗性网络（generative adversarial networks）：为我们提供一种合成数据的方法，甚至像图像和音频这样复杂的结构化数据。潜在的统计机制是检查真实和虚假数据是否相同的测试，它是无监督学习的另一个重要而令人兴奋的领域。
强化学习：
标签：问题,前言,标签,回归,学习,动手,监督,深度,我们 来源： https://blog.csdn.net/timkkkkk/article/details/121707716
本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享； 2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关； 3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关； 4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除； 5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。