監督學習、無監督學習、半監督學習、強化學習是我們日常接觸到的常見的四個機器學習方法：
監督學習：通過已有的訓練樣本（即已知資料以及其對應的輸出）去訓練得到乙個最優模型（這個模型屬於某個函式的集合，最優則表示在某個評價準則下是最佳的），再利用這個模型將所有的輸入對映為相應的輸出。
無監督學習：它與監督學習的不同之處，在於我們事先沒有任何訓練樣本，而需要直接對資料進行建模。
半監督學習 ：在訓練階段結合了大量未標記的資料和少量標籤資料。與使用所有標籤資料的模型相比，使用訓練集的訓練模型在訓練時可以更為準確。
強化學習：我們設定乙個回報函式（reward function），通過這個函式來確認否越來越接近目標，類似我們訓練寵物，如果做對了就給他獎勵，做錯了就給予懲罰，最後來達到我們的訓練目的。
常見機器學習演算法總結
機器學習演算法主要分為以下2種 有監督與無監督。再細分可分為四種 分類，聚類，回歸，關聯四大類演算法。分類與回歸屬於有監督學習。聚類與關聯屬於無監督學習。分類演算法主要有knn，決策樹，樸素貝葉斯，svm,邏輯回歸，adaboost演算法。knn演算法 基於距離進行分類，選取前k個最相似的樣本，看這...
常見機器學習模型總結
1 分類 線性分類器 如lr 支援向量機 svm 樸素貝葉斯 nb k近鄰 knn 決策樹 dt 整合模型 rf gdbt等 2 回歸 線性回歸 支援向量機 svm k近鄰 knn 回歸樹 dt 整合模型 extratrees rf gdbt 資料聚類 k means 資料降維 pca 等等.1 各...
常見機器學習演算法優缺點
1 線性模型 形式簡單 易於建模 很好的可解釋性 2 邏輯回歸 無需事先假設資料分布 可得到近似概率 對率函式任意階可導的凸函式，許多數值優化演算法都可直接用於求取最優解 3 線性判別分析 lda 當兩類資料同先驗 滿足高斯分布且協方差相等時，lda可達到最優分類 4 boosting 代表adab...