重庆做网站泉州公司,小程序模板页,wordpress小工具代码修改,推广app赚钱根据训练期间接受的监督数量和监督类型#xff0c;可以将机器学习分为以下四种类型#xff1a;监督学习、非监督学习、半监督学习和强化学习。
监督学习 在监督学习中#xff0c;提供给算法的包含所需解决方案的训练数据#xff0c;成为标签或标记。 简单地说#xff0c;…根据训练期间接受的监督数量和监督类型可以将机器学习分为以下四种类型监督学习、非监督学习、半监督学习和强化学习。
监督学习 在监督学习中提供给算法的包含所需解决方案的训练数据成为标签或标记。 简单地说就是监督学习是包含自变量和因变量有Y同时可以用于分类和回归。
常见算法
K近邻算法线性回归logistic回归支持向量机SVM决策树和随机森林神经网络
无监督学习 无监督学习的训练数据都是未经标记的算法会在没有指导的情况下自动学习。 简单地说就是训练数据只有自变量没有因变量就是没有Y。 常见算法
聚类算法 K均值算法K-means基于密度的聚类方法(DBSCAN)最大期望算法可视化和降维 主成分分析核主成分分析关联规则学习 AprioriEclat
半监督学习
有些算法可以处理部分标记的训练数据通常是大量未标记的数据和少量标记的数据这种成为半监督学习。
如照片识别就是很好的例子。在线相册可以指定识别同一个人的照片无监督学习当你把这些同一个人增加一个标签的后新的有同一个人的照片就自动帮你加上标签了。 大多数半监督学习算法都是无监督和监督算法的结合。例如深度信念网络DBN基于一种相互堆叠的无监督式组件。
强化学习 强化学习是一个非常与众不同的算法它的学习系统能够观测环境做出选择执行操作并获得回报或者是以负面回报的形式获得惩罚。它必须自行学习什么是最好的策略从而随着时间推移获得最大的回报。 例如许多机器人通过强化学习算法来学习如何行走。AlphaGo项目也是一个强化学习的好例子。
