机器学习算法分类有哪些.docx

上传人:lao****ou 文档编号:204358 上传时间:2023-05-21 格式:DOCX 页数:4 大小:15.74KB
下载 相关 举报
机器学习算法分类有哪些.docx_第1页
第1页 / 共4页
机器学习算法分类有哪些.docx_第2页
第2页 / 共4页
机器学习算法分类有哪些.docx_第3页
第3页 / 共4页
机器学习算法分类有哪些.docx_第4页
第4页 / 共4页
亲,该文档总共4页,全部预览完了,如果喜欢就下载吧!
资源描述

《机器学习算法分类有哪些.docx》由会员分享,可在线阅读,更多相关《机器学习算法分类有哪些.docx(4页珍藏版)》请在第一文库网上搜索。

1、机器学习算法分类有哪些监督学习监督式学习(SUPerViSed1earning),是机器学习的一种方法,可以由训练资料中学到或建立一个模式(函数/1earningmode1),并依此模式推测新的实例12。训练资料是由输入物件(通常是向量)和预期输出所组成。函数的输出可以是一个连续的值,或是预测一个分类标签。一个监督式学习者的任务在观察一些事先标记过的训练范例(输入和预期输出)后,去预测这个函数对任何可能出现的输入的输出。要达到此目的,学习者必须以“合理”(见归纳偏向)的方式从现有的资料中一般化到非观察到的情况13根据标签类型的不同,又可以将其分为分类问题和回归问题两类。分类问题的目标是通过输入

2、变量预测出这一样本所属的类别,例如对于植物品种、客户年龄和偏好的预测问题都可以被归结为分类问题。这一领域中使用最多的模型便是支持向量机,用于生成线性分类的决策边界。随着深度学习的发展,很多基于图像信号的分类问题越来越多地使用卷积神经网络来完成。回归主要用于预测某一变量的实数取值,其输出的不是分类结果而是一个实际的值。常见的例子是包括市场价格预测、降水量预测等。人们主要通过线性回归、多项式回归以及核方法等来构建回归模型。监督式学习有两种形态的模型:一种是全域模型,会将输入物件对应到预期输出;另一种是将这种对应实作在一个区域模型(如案例推论及最近邻居法)。为了解决一个给定的监督式学习的问题(手写辨

3、识),必须考虑以下步骤:1)决定训练资料的范例的形态。在做其它事前,工程师应决定要使用哪种资料为范例。譬如,可能是一个手写字符,或一整个手写的辞汇,或一行手写文字。2)搜集训练资料。这资料需要具有真实世界的特征。所以,可以由人类专家或机器(或感测器的)测量中得到输入物件和其相对应输出。3)决定学习函数的输入特征的表示法。学习函数的准确度与输入的物件的表示方式有很大的关联度。传统上,输入的物件会被转成一个特征向量,包含了许多关于描述物件的特征。因为维数灾难的存在,特征的个数不宜太多,但也要足够大,才能准确地预测输出。4)决定要学习的函数和其对应的学习算法所使用的数据结构。譬如,工程师可能选择人工

4、神经网络和决策树。5)完成设计。工程师接着在搜集到的资料上跑学习算法。可以借由将资料跑在资料的子集(称为验证集)或交叉验证(CrOSS-va1idation)上来调整学习算法的参数。参数调整后,算法可以运行在不同于训练集的测试集。无监督学习无监督学习(UnSUPerViSed1earning)是机器学习的一种方法,没有给定事先标记过的训练示例,自动对输入的数据进行分类或分群15。与监督学习不同,非监督学习并不需要完整的输入输出数据集,并且系统的输出经常是不确定的。它主要被用于探索数据中隐含的模式和分布。非监督学习具有解读数据并从中寻求解决方案的能力,通过将数据和算法输入到机器中将能发现一些用其

5、他方法无法见到的模式和信息。常见的无监督学习算法包括:稀疏自编码(SParSeauto-encoder)主成分分析(PrinCiPaIComponentAna1ysis,PCA)K-Means算法(K均值算法)、DBSCAN算法(DenSity-BaSedSpatia1C1usteringofApp1icationswithNoise)、最大期望算法(ExpectatiOn-Maximizationa1gorithm,EM)等。利用无监督学习可以解决的问题可以分为关联分析、聚类问题和维度约减。关联分析是指发现不同事物之间同时出现的概率。在购物篮分析中被广泛地应用,如果发现买面包的客户有百分之八

6、十的概率买鸡蛋,那么商家就会把鸡蛋和面包放在相邻的货架上。聚类问题是指将相似的样本划分为一个簇(CIUSter)。与分类问题不同,聚类问题预先并不知道类别,自然训练数据也没有类别的标签。维度约减是指减少数据维度的同时保证不丢失有意义的信息。利用特征提取方法和特征选择方法,可以达到维度约减的效果。特征选择是指选择原始变量的子集。特征提取是将数据从高维度转换到低维度。广为熟知的主成分分析算法就是特征提取的方法。强化学习强化学习(Reinforcement1earning,R1)是机器学习中的一个领域,强调如何基于环境而行动才能取得最大化的预期利益。其灵感来源于心理学中的行为主义理论,即有机体如何在

7、环境给予的奖励或惩罚的刺激下,逐步形成对刺激的预期,产生能获得最大利益的习惯性行为。这个方法具有普适性,因此在其他许多领域都有研究,例如博弈论、控制论、运筹学、信息论、仿真优化、多主体系统学习、群体智能、统计学以及遗传算法。在运筹学和控制理论研究的语境下,强化学习被称作“近似动态规划”。在最优控制理论中也有研究这个问题,虽然大部分的研究是关于最优解的存在和特性,并非是学习或者近似方面。在经济学和博弈论中,强化学习被用来解释在有限理性的条件下如何出现平衡17。强化学习一般由5个构成要素,包括:系统环境(SystemEnvironment)参与者(Agent)、观察(ObSerVatiOn)、行动(ACtion)和奖励(ReWard)。强化学习是参与者为了最大化长期回报的期望,通过观察系统环境不断试错进行学习的过程18。从强化学习的定义可以看出,强化学习具有两个最主要的特征:通过不断试错来学习、追求长期回报的最大化。在监督学习或非监督学习中,数据是静态的,不需要与环境进行交互,比如图像识别,只要给出足够的差异样本,将数据输入深度网络中进行训练即可。然而,强化学习的学习过程是动态的、不断交互的,所以需要的数据也是通过与环境不断交互而产生的。

展开阅读全文
相关资源
猜你喜欢
相关搜索

当前位置:首页 > 应用文档 > 汇报材料

copyright@ 2008-2022 001doc.com网站版权所有   

经营许可证编号:宁ICP备2022001085号

本站为文档C2C交易模式,即用户上传的文档直接被用户下载,本站只是中间服务平台,本站所有文档下载所得的收益归上传人(含作者)所有,必要时第一文库网拥有上传用户文档的转载和下载权。第一文库网仅提供信息存储空间,仅对用户上传内容的表现方式做保护处理,对上载内容本身不做任何修改或编辑。若文档所含内容侵犯了您的版权或隐私,请立即通知第一文库网,我们立即给予删除!



客服