机器学习有哪些分类？

机器学习的思想并不复杂，它仅仅是对人类生活、学习过程的一个模拟。而在这整个过程中，最关键的是数据。任何通过数据训练的学习算法的相关研究都属于机器学习，包括很多已经发展多年的技术，比如：

• 线性回归（Linear Regression）
• K均值（K-Means，基于原型的目标函数聚类方法）
• 决策树（Decision Trees，运用概率分析的一种图解法）
• 随机森林（Random Forest，运用概率分析的一种图解法）
• PCA（Principal Component Analysis，主成分分析）
• SVM（Support Vector Machine，支持向量机）
• ANN（Artificial Neural Networks，人工神经网络）

可见，机器学习的算法非常多，本文将介绍一些最常用的机器学习分类方法。

监督学习

监督学习（Supervised Learning）表示机器学习的数据是带标记的，这些标记可以包括数据类别、数据属性及特征点位置等。这些标记作为预期效果，不断修正机器的预测结果。

具体实现过程是：通过大量带有标记的数据来训练机器，机器将预测结果与期望结果进行比对；之后根据比对结果来修改模型中的参数，再一次输出预测结果；然后将预测结果与期望结果进行比对，重复多次直至收敛，最终生成具有一定鲁棒性的模型来达到智能决策的能力。

常见的监督学习有分类和回归：

• 分类（Classification）是将一些实例数据分到合适的类别中，它的预测结果是离散的。
• 回归（Regression）是将数据归到一条“线”上，即为离散数据生产拟合曲线，因此其预测结果是连续的。

无监督学习

无监督学习（Unsupervised Learning）表示机器学习的数据是没有标记的。机器从无标记的数据中探索并推断出潜在的联系。

常见的无监督学习有聚类和降维。

• 在聚类（Clustering）工作中，由于事先不知道数据类别，因此只能通过分析数据样本在特征空间中的分布，例如基于密度或基于统计学概率模型等，从而将不同数据分开，把相似数据聚为一类。
• 降维（Dimensionality Reduction）是将数据的维度降低。例如描述一个西瓜，若只考虑外皮颜色、根蒂、敲声、纹理、大小及含糖率这6个属性，则这6个属性代表了西瓜数据的维度为6。进一步考虑降维的工作，由于数据本身具有庞大的数量和各种属性特征，若对全部数据信息进行分析，将会增加训练的负担和存储空间。因此可以通过主成分分析等其他方法，考虑主要影响因素，舍弃次要因素，从而平衡准确度与效率。

强化学习

强化学习（Reinforcement Learning）是带有激励机制的，具体来说，如果机器行动正确，将施予一定的“正激励”；如果行动错误，同样会给出一个惩罚（也可称为“负激励”）。因此在这种情况下，机器将会考虑如何在一个环境中行动才能达到激励的最大化，具有一定的动态规划思想。

例如在贪吃蛇游戏中，贪吃蛇需要通过不断吃到“食物”来加分。为了不断提高分数，贪吃蛇需要考虑在自身位置上如何转向才能吃到“食物”，这种学习过程便可理解为一种强化学习。

强化学习最为火热的一个应用就是谷歌 AlphaGo 的升级品——AlphaGo Zero。相较于 AlphaGo，AlphaGo Zero 舍弃了先验知识，不再需要人为设计特征，直接将棋盘上黑、白棋子的摆放情况作为原始数据输入到模型中，机器使用强化学习来自我博弈，不断提升自己从而最终出色完成下棋任务。AlphaGo Zero 的成功，证明了在没有人类的经验和指导下，深度强化学习依然能够出色地完成指定任务。

深度学习

我们要想具有更强的智慧，除了拥有大量的数据以外还要有好的经验总结方法。深度学习就是一种实现这种机器学习的优秀技术。深度学习本身是神经网络算法的衍生。

作为深度学习父类的机器学习，是人工智能的核心，它属于人工智能的一个分支。

深度学习是新兴的机器学习研究领域，旨在研究如何从数据中自动地提取多层特征表示，其核心思想是通过数据驱动的方式，采用一系列的非线性变换，从原始数据中提取由低层到高层、由具体到抽象、由一般到特定语义的特征。

深度学习不仅改变着传统的机器学习方法，也影响着人类感知的理解，迄今已在语音识别、图像理解、自然语言处理和视频推荐等应用领域引发了突破性的变革。