在下述的內容中，小編將會對機器學習的相關消息予以報道，如果機器學習是您想要了解的焦點之一，不妨和小編共同閱讀這篇文章哦。

機器學習中并沒有哪個算法是最佳的，所有的算法都有各自最適用的場景。因此，我們來了解一下常見機器學習算法。

1. 監(jiān)督學習

監(jiān)督學習是從標記的訓練數(shù)據(jù)來推斷一個功能的機器學習任務。訓練數(shù)據(jù)包括一套訓練示例。在監(jiān)督學習中，每個實例都是由一個輸入對象(通常為矢量)和一個期望的輸出值(也稱為監(jiān)督信號)組成。監(jiān)督學習算法是分析該訓練數(shù)據(jù)，并產(chǎn)生一個推斷的功能，其可以用于映射出新的實例。一個最佳的方案將允許該算法來正確地決定那些看不見的實例的類標簽。這就要求學習算法是在一種“合理”的方式從一種從訓練數(shù)據(jù)到看不見的情況下形成。

監(jiān)督學習是指機器學習過程中，模型預測結果與真實目標變量進行比較的學習方式。常見的監(jiān)督學習算法有決策樹、KNN、SVM、邏輯回歸、隨機森林等。

2. 無監(jiān)督學習

無監(jiān)督學習里典型例子是聚類。聚類的目的在于把相似的東西聚在一起，而我們并不關心這一類是什么。因此，一個聚類算法通常只需要知道如何計算相似度就可以開始工作了。

聚類算法一般有五種方法，最主要的是劃分方法和層次方法兩種。劃分聚類算法通過優(yōu)化評價函數(shù)把數(shù)據(jù)集分割為K個部分，它需要K作為輸入?yún)?shù)。典型的分割聚類算法有K-means算法, K-medoids算法、CLARANS算法。層次聚類由不同層次的分割聚類組成，層次之間的分割具有嵌套的關系。它不需要輸入?yún)?shù)，這是它優(yōu)于分割聚類 算法的一個明顯的優(yōu)點，其缺點是終止條件必須具體指定。典型的分層聚類算法有BIRCH算法、DBSCAN算法和CURE算法等。

無監(jiān)督學習通常針對于沒有明確的答案或目標變量的數(shù)據(jù)。此時，需要算法從數(shù)據(jù)中發(fā)掘隱藏的信息。常見的無監(jiān)督學習算法有聚類、主成分分析等。

3. 半監(jiān)督學習

半監(jiān)督學習是指利用一部分有標簽的數(shù)據(jù)和無標簽的數(shù)據(jù)進行學習。通常情況下，有標簽的數(shù)據(jù)比無標簽的數(shù)據(jù)少得多。常見的半監(jiān)督學習算法有深度置信網(wǎng)絡、困惑度等。

在半監(jiān)督學習成為一個熱門領域之后，出現(xiàn)了許多利用無類標簽的樣例提高學習算法預測精度和加快速度的學習方法，因此出現(xiàn)了大量改進的半監(jiān)督學習方法。Nigam等人將EM和樸素貝葉斯結合，通過引入加權系數(shù)動態(tài)調整無類標簽的樣例的影響提高了分類準確度，建立每類中具有多個混合部分的模型，使貝葉斯偏差減小。Zhou和Goldman提出了協(xié)同訓練改進算法，不需要充分冗余的視圖，而利用兩個不同類型的分類器來完成學習。Shang等人提出一種新的半監(jiān)督學習方法，能同時解決有類標簽樣本稀疏和具有附加無類標簽樣例成對約束的問題。

4. 強化學習

強化學習是一種通過學習的方式，使得機器能夠根據(jù)獎勵信號做出更好的決策的方法。常見的強化學習算法有Q-learning、策略梯度等。

強化學習是智能體(Agent)以“試錯”的方式進行學習，通過與環(huán)境進行交互獲得的獎賞指導行為，目標是使智能體獲得最大的獎賞，強化學習不同于連接主義學習中的監(jiān)督學習，主要表現(xiàn)在強化信號上，強化學習中由環(huán)境提供的強化信號是對產(chǎn)生動作的好壞作一種評價(通常為標量信號)，而不是告訴強化學習系統(tǒng)RLS(reinforcement learning system)如何去產(chǎn)生正確的動作。由于外部環(huán)境提供的信息很少，RLS必須靠自身的經(jīng)歷進行學習。通過這種方式，RLS在行動-評價的環(huán)境中獲得知識，改進行動方案以適應環(huán)境。

以上就是小編這次想要和大家分享的有關機器學習的內容，希望大家對本次分享的內容已經(jīng)具有一定的了解。如果您想要看不同類別的文章，可以在網(wǎng)頁頂部選擇相應的頻道哦。