【机器学习】3.常见算法分类

本是古典何须时尚 2023-06-25 01:59 5阅读 0赞

### 算法 ###

> 算法：是利用计算机解决特定问题的处理步骤，是优先操作的集合。

#### 跳棋 ####

以机器学习下西方跳棋为例，其特定问题描述如下：

*  任务T: 下西方跳棋
 *  性能标准P: 赢棋的概率
 *  经验E：和自己对弈
 *  目标函数：V

通过将棋盘上的棋子进行评分，并将棋子所在的位置和一个目标函数V建立联系，该目标函数V的值可以描述当前棋盘局面。在棋子，局面和性能标准P之间建立联系，将P描述成一个和棋子，局面相关的函数，根据幽有的数据（经验E）去求解P中各相关参数的最优值。

#### 由身高预测体重 ####

收集了一些人的身高和体重，基于这些已知信息，去预测一个身高已知的人的体重。

> 两个变量的关系（设身高为x，体重为y）可用最简单的线性关系描述：y=ax+b需要根据已有数据，去求解该模型的两个参数：a和b，然后利用该公式去预测。  
> 两个未知参数，对于任意两条已知记录，即可求出两者的值。为了能得到更普遍可信度更高的模型，需尽可能地使用已有的样本数据，即越多的记录参与到成桉树去接的方过程中，求出的结果更具普遍性。  
> 将所有的记录依次带入y=ax+b得到公式计算结果y‘，每一个计算值y’和真是值y的差即为预测误差Δ，预测误差Δ实际上是一个关于参数a,b函数：Δ(a,b)，我们要做的是找到某一组参数(a,b)使得误差Δ(a,b)最小即可。

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzMyMTA2NjQ3_size_16_color_FFFFFF_t_70]  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzMyMTA2NjQ3_size_16_color_FFFFFF_t_70 1]

### 常见机器学习算法分类 ###

按学习方式不同分类：

*  **监督式学习（Supervised learning）**: 利用一组已知类别的样本来训练模型，使其达到性能要求。特点为输入数据（训练数据）均有一盒明确的标志或结果（标签）。即我们提供样例“教”计算机如何学习。

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzMyMTA2NjQ3_size_16_color_FFFFFF_t_70 2]

*  例如教机器识别猫，拿出很多猫的样本和特例，标记出猫的特点。  
    ![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzMyMTA2NjQ3_size_16_color_FFFFFF_t_70 3]
 *  **无监督学习（Unsupervised learning）**: 从无标记的训练数据中推断结论。其特点为输入数据（训练数据）不存在明确的标识或结果（标签）。常见的无监督学习分为聚类，即发现隐藏的模式或者对数据进行分组。即计算机根据我们提供的材料“自动”学习，给定数据，寻找隐藏的结构或者模式。  
    ![在这里插入图片描述][20191224111446836.png]
 *  例如：给一组集体照片，不告诉你怎么分类，但是它可能按年龄分类，也可能按性别分类，让它自己分析。![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzMyMTA2NjQ3_size_16_color_FFFFFF_t_70 4][]
 *  **半监督学习**

[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzMyMTA2NjQ3_size_16_color_FFFFFF_t_70]: https://img-blog.csdnimg.cn/20191224110419304.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzMyMTA2NjQ3,size_16,color_FFFFFF,t_70
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzMyMTA2NjQ3_size_16_color_FFFFFF_t_70 1]: https://img-blog.csdnimg.cn/20191224110449986.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzMyMTA2NjQ3,size_16,color_FFFFFF,t_70
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzMyMTA2NjQ3_size_16_color_FFFFFF_t_70 2]: https://img-blog.csdnimg.cn/20191224110952378.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzMyMTA2NjQ3,size_16,color_FFFFFF,t_70
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzMyMTA2NjQ3_size_16_color_FFFFFF_t_70 3]: https://img-blog.csdnimg.cn/20191224111048539.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzMyMTA2NjQ3,size_16,color_FFFFFF,t_70
[20191224111446836.png]: https://img-blog.csdnimg.cn/20191224111446836.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzMyMTA2NjQ3_size_16_color_FFFFFF_t_70 4]: https://img-blog.csdnimg.cn/20191224111609917.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzMyMTA2NjQ3,size_16,color_FFFFFF,t_70