机器学习三大类型：监督学习、非监督学习和强化学习详解

机器学习三大类型：监督学习、非监督学习和强化学习详解

引用

CSDN

1.

https://blog.csdn.net/qq_35789269/article/details/120212409

机器学习是人工智能领域的重要分支，根据其应用情况，可以将其分为监督学习、非监督学习和强化学习三大类。这三种学习方式在数据需求、学习目标和应用场景上都有显著差异。本文将通过对比分析，帮助读者理解它们各自的特点和适用场景。

监督学习

监督学习是指原始数据中既有特征值也有标签值的机器学习，相当于有老师教。我们可以将监督学习要解决的问题分成两类：回归和分类。

监督学习的算法有很多，而且很多算法已经被收集到成熟的算法库中，使用者可以直接调用。常用的经典算法有：

1. 邻近算法（K-Nearest Neighbors, KNN）
2. 线形回归（Linear Regression）
3. 逻辑回归（Logistic Regression）
4. 支持向量机（Support Vector Machine, SVM）
5. 朴素贝叶斯分类器（Naive Bayes）
6. 决策树（Decision Tree）
7. 随机森林（Random Forests）
8. 神经网络（Neural Network）：比如卷积神经网络（Convolutional Neural Networks, CNN）和深信度网络（Deep Belief Networks, DBN）

我们准备了一大堆猫和狗的照片，我们想让机器学会如何识别猫和狗。当我们使用监督学习的时候，我们需要给这些照片打上标签。

我们给照片打的标签就是“正确答案”，机器通过大量学习，就可以学会在新照片中认出猫和狗。

非监督学习

非监督学习要解决的是另外一种问题。我们喂给机器很多特征数据（输入值），是希望机器通过学习找到输入数据中是不是存在某种共性特征，结构（比如都像猫），或者数据特征值之间是不是存在某种关联。而不是像监督学习那样希望预测输出结果。（没老师教）

非监督学习要解决的问题也可以分成两大类：输入数据聚类（Clustering）和输入特征变量关联（Correlation）。

常用的非监督学习算法有：

1. K均值聚类（K-Means Clustering）
2. 具有噪声的基于密度的聚类方法（Density-based Spatial Clustering of Applications with Noise：DBSCAN）
3. 主成分分析算法（Principal Component Analysis ，PCA）
4. 自组织映射神经网络（Self-Organizing Map, SOM）
5. 受限玻尔兹曼机（Restricted Boltzmann Machine, RBM）

我们把一堆猫和狗的照片给机器，不给这些照片打任何标签，但是我们希望机器能够将这些照片分分类。

通过学习，机器会把这些照片分为2类，一类都是猫的照片，一类都是狗的照片。虽然跟上面的监督学习看上去结果差不多，但是有着本质的差别：

非监督学习中，虽然照片分为了猫和狗，但是机器并不知道哪个是猫，哪个是狗。对于机器来说，相当于分成了 A、B 两类。

强化学习

强化学习不同于监督学习和非监督学习。在强化学习中没有原始已知数据可以学习。强化学习面对的是一个不断变化的状态空间，要解决的是一个决策链问题。（老师拿着棍子教）

其目的是找到在当前环境（状态空间）下最佳决策是什么。这里的挑战是，当下的决策好坏当下无法验证和评估，要根据多次决策以后才能知道。就像下棋，当前的决策（棋子落点）要在五步十步棋之后才能判断是好是坏。所以强化学习中并没有大量的原始已知输入数据，机器需要在变化的环境中通过大量的多次的试错学习，再根据某种规则找到产生最佳结果的最佳路径，从而做出最佳决策。比较常见的应用有下棋（包括下围棋和象棋）、机器人、自动驾驶等。

总结

监督学习中有已知的输入数据和输出数据，相当于看着样本学习。非监督学习中没有输出数据，相当于自己学习。其学习目的是找到输入数据中存在的结构（Structure）和模式（Pattern）。强化学习即没有输入数据也没有输出数据，只有某种规则，相当于试错学习。其目的是在大量可能路径中寻找最佳决策或者路径。