機器學習可分為3類：（監督學習、無監督學習、強化學習）
監督學習表示機器學習的資料是帶標記的，這些標記可以包括資料類別、資料屬性及特徵點位置等。這些標記作為預期效果，不斷修正機器的**結果。
每當想要根據給定輸入**某個結果，並且還有輸入/輸出示例時，都應該使用監督學習。
具體實現過程是：通過大量帶有標記的資料來訓練機器，機器將**結果與期望結果進行對比；之後根據對比結果來修改模型中的引數，再一次輸出**結果；然後將**結果與期望結果進行對比，重複多次直至收斂，最終形成具有一定魯棒性的模型來達到智慧型決策的能力。
監督學習問題可以有兩種型別：
分類：**輸出變數處於類別形式的給定樣本的結果。例如男性和女性，病態和健康等標籤。
回歸：**給定樣本的輸出變數的實值結果。例子包括表示降雨量和人的身高的實值標籤。
無監督學習問題只有輸入變數（x），但沒有相應的輸出變數。
無監督學習表示機器學習的資料是沒有標記的。
機器從無標記的資料中探索並推斷出潛在的聯絡。
無監督學習問題可以有三種型別：
聚類：對樣本進行分組，使得同乙個群集內的物件彼此之間的關係比另乙個群集中的物件更為相似。
降維：維度降低意味著減少資料集的變數數量，同時確保重要的資訊仍然傳達。可以使用特徵提取方法和特徵選擇方法來完成維度降低。特徵選擇選擇原始變數的乙個子集。特徵提取執行從高維空間到低維空間的資料轉換。例如：pca演算法是一種特徵提取方法。
強化學習是帶有激勵機制的，具體來說，如果機器行動正確，給與一定的「正激勵」；如果行動錯誤，同樣會給出乙個懲罰（也可以稱為「負激勵」）。因此在這種情況下，及其將會考慮如何在乙個環境中行動才能達到吉利的最大化，具有一定的動態劃分思想
總結如下表：
機器學習
常用演算法
有監督學習
k最近鄰
(回歸與分類）
線性回歸
邏輯回歸
決策樹隨機森林
支援向量機
神經網路
樸素貝葉斯
無監督學習
k均值聚類
(聚類與降維)
層次聚類
dbscan
凝聚聚類
主成分分析
t-分布領域嵌入演算法
機器學習概覽
當今機器學習是乙個非常熱門的話題，每個人都在談論機器學習，並討論它如何在他們的業務或職業生涯中發揮作用。機器學習是一種資料分析方法，可以使分析模型建立自動化。它是人工智慧的乙個分支，其基礎是機器應該能夠通過經驗學習和適應。機器學習的型別 監督學習 無監督學習 強化學習 建立良好的機器學習系統需要什麼...
機器學習概覽
什麼是機器學習？機器學習是基於歷史資料，從中學習和一種滿足業務的模型，然後用這個模型去 類似模型資料的事件。機器學習的應用場景 1.事物存在某種潛在規律 2.某些問題難以使用普通程式設計解決 3.有大量資料可以使用 機器學習的分流程 機器學習的演算法分類 按輸出空間劃分 1.分類問題 2.回歸問題 ...
機器學習 概覽
型別 目的演算法 監督學習 結果 分類，回歸 非監督學習 發現潛在結構 聚類，降維 強化學習 長期利益最大化，回報函式 馬爾科夫決策，動態規劃 邏輯回歸 lr logistic regression 支援向量機 svm support vector machine knn k nearest nei...