機器學習的分類

機器學習專門研究計算機怎樣模擬或實現人類的學習行為，根據過往的經驗對一類問題形成某種認識或總結出一定的規律，然後利用這些規律來對新的問題進行**。並且可以持續根據新的知識，重新組織已有的知識結構使之不斷改善自身的效能。

機器學習根據是否有目標值可以分為以下幾種：

1. 監督學習

每個訓練資料樣本都有對應的期望值也就是目標值，進行機器學習的過程實際上就是特徵值和目標佇列對映的過程。

1）當目標值是有限的離散值時，稱為分類。如下圖，通過對已知樣本的特徵及腫瘤良/惡性進行學習，可以**出新樣本的腫瘤型別。而腫瘤型別只有良性、惡性兩種。

2）當目標值是連續的值時，稱為回歸。如下圖，小區房價是連續的數值，不存在類別之分。

2. 無監督學習

訓練樣本不依賴於目標值的機器學習演算法。輸出資料沒有被標記，也沒有確定的結果。需要根據樣本間的相似性對樣本集進行類別劃分，它主要是用來解決一些聚類場景的問題。如下圖，雖然樣本點沒有目標值，但是它們都有相似的屬性特徵，可以通過機器學習將類似特徵的樣本點聚集在一起。

3. 半監督學習

半監督學習介於監督和無監督學習的中間地帶：它的樣本一部分有目標值，同時存在著大量沒有目標值的樣本。

半監督學習演算法使用有限的標記樣本資料集來訓練自己，從而形成乙個「部分訓練」的模型。部分訓練的模型對未標記的資料進行標記，標記的結果被認為是「偽標籤」資料。結合標記和偽標籤資料集，通過演算法，結合描述和**方面的監督和非監督學習。

在實際業務應用中一般是監督學習的方式，即所有樣本均有目標值。

具體離散型目標值的分類方法、連續型目標值的回歸方法將在後續說明。