首页 > 代码库 > 机器学习中的学习方式-Types of learning
机器学习中的学习方式-Types of learning
Types of learning
根据个人理解，机器学习中的学习方式的分类有利于我们在面对一个具体的问题时，能够根据要达到的目标选择合适的机器学习算法来得到想要的结果。比如，判断一封电子邮件是否是垃圾邮件，就要使用分类(classification)，那要达到分类的效果就要使机器学会怎么样去分类，这就是学习的过程。在学习的过程在又分为四大类：
1)监督学习 (supervised learning)
2)无监督学习(unsupervised learning)
3)半监督学习(semi-supervised learning)
4)增强学习 (reinforcement learning)
下面就是对4种学习进行概念上的区分：
1)监督学习：就是对于训练数据集中的每一个输入样本 
，都有一个label 
例如给定一个包含1000封邮件的训练数据集，对于一封邮件都有一个对应的y={-1,1}
---分类问题，分成指定的多少类
---回归问题，得到一个具体的值
2)无监督学习：对于输入的训练数据，没有对其的类别进行标记。很常见的是聚类问题，
假设数据是新闻报道，那么可以根据各篇报道中的关键字将其分成为体育类，财经类等
3)半监督学习：训练的数据是标记的和未标记的混合。为什么不都进行标记呢？在实际的问题中输入数据的数目过于
庞大，如果都进行人工标记的话，工作量将是巨大的。下面是一张图来表示这三种学习方式的不同
4)增强学习： 输入数据可以刺激模型做出反馈，反馈不仅从监督学习过程中得到，还从环境中奖励或惩罚中得到。
关于增强学习可以参考这篇
机器学习中的学习方式-Types of learning
声明：以上内容来自用户投稿及互联网公开渠道收集整理发布，本网站不拥有所有权，未作人工编辑处理，也不承担相关法律责任，若内容有误或涉及侵权可进行投诉： 投诉/举报 工作人员会在5个工作日内联系你，一经查实，本站将立刻删除涉嫌侵权内容。