机器学习的主要分类

这是一篇关于机器学习的主要分类的思维导图，包含监督学习、 无监督学习、 半监督学习、 强化学习等。

机器学习的主要分类

• 1. 监督学习 (Supervised Learning)
  • 定义：利用带有标记的数据进行学习，通过比较预测结果与真实标签来调整模型参数。
  • 应用：
    • 分类：将数据分配到预定义的类别中，预测结果是离散的。
    • 回归：预测连续值，如房价、股票价格等。
    • 结构化学习：处理结构化数据，如序列、树或图等。
• 2. 无监督学习 (Unsupervised Learning)
  • 定义：处理未标记的数据，通过数据自身的结构和分布来学习。
  • 应用：
    • 聚类：将相似的数据点分组在一起，如市场细分、社交网络分析等。
    • 降维：减少数据维度，以便于可视化或减少计算复杂度，如主成分分析（PCA）。
• 3. 半监督学习 (Semi-Supervised Learning)
  • 定义：结合少量标记数据和大量未标记数据进行学习，以提高学习效率。
  • 目的：利用无标签数据的潜在信息来提高学习效率和准确性。
• 4. 强化学习 (Reinforcement Learning)
  • 定义：通过智能体与环境的交互来学习最优策略，智能体根据环境反馈（奖励或惩罚）来调整行为。
  • 特点：强调智能体的决策过程，适用于动态和不确定的环境。