机器学习入门

本文讨论了机器学习问题的类别，以及机器学习领域中使用的术语。

机器学习问题的类型

机器学习问题有多种分类方法。在这里，我们讨论最明显的问题。 1.基于学习系统可用的学习“信号”或“反馈”的性质

• 监督学习 ：计算机由“老师”给出输入示例及其所需输出，目标是学习将输入映射到输出的一般规则。训练过程将继续，直到模型在训练数据上达到所需的精度水平。现实生活中的一些例子如下：
  • 图像分类： 你用图像/标签训练。然后在未来，你会给出一个新的图像，期望计算机能识别出新的物体。
  • 市场预测/回归： 你用历史市场数据训练计算机，让计算机预测未来的新价格。

• 无监督学习 ：没有给学习算法贴标签，让它自己在输入中找到结构。它用于对不同群体中的群体进行聚类。无监督学习本身就是一个目标（发现数据中隐藏的模式）。
  • 聚类： 你要求计算机将相似的数据分为若干类，这在研究和科学中是必不可少的。
  • 高维可视化： 使用计算机帮助我们可视化高维数据。
  • 生成模型： 模型捕捉到输入数据的概率分布后，将能够生成更多数据。这对于提高分类器的健壮性非常有用。

下面是一个简单的图表，明确了有监督和无监督学习的概念： 正如您可以清楚地看到的那样，有监督学习中的数据是有标签的，而无监督学习中的As数据是无标签的。

• 半监督学习 ：如果你有大量的输入数据，并且只有部分数据被标记，那么这些问题被称为半监督学习问题。这些问题介于有监督和无监督学习之间。例如，一个照片存档，其中只有一些图像被标记（例如狗、猫、人），而大多数图像没有标记。

• 强化学习 ：计算机程序与动态环境交互，在动态环境中，它必须执行特定的目标（例如驾驶车辆或与对手玩游戏）。该项目在探索其问题空间时，会获得奖励和惩罚方面的反馈。

2.基于机器学习系统所需的“输出”

• 分类 将一个或多个类别的输入划分为一个或多个类别，并将这些类别划分为一个或多个类别。这通常是在监督下解决的。垃圾邮件过滤是分类的一个例子，输入是电子邮件（或其他）消息，类别是“垃圾邮件”和“非垃圾邮件”。
• 回归 ：这也是一个有监督的学习问题，但输出是连续的，而不是离散的。例如，使用历史数据预测股票价格。

两个不同数据集的分类和回归示例如下所示：

• 群集 ：在这里，一组输入将被分成若干组。与分类不同的是，这些群体事先并不知道，因此这通常是一项无监督的任务。 正如您在下面的示例中所看到的，给定的数据集点已被划分为红色、绿色和蓝色可识别的组。

  

• 密度估计 ：任务是找到输入在某个空间中的分布。
• 降维 ：它通过将输入映射到低维空间来简化输入。主题建模是一个相关的问题，在这个问题中，一个程序被赋予一个人类语言文档的列表，并负责找出哪些文档包含类似的主题。

在这些机器学习任务/问题的基础上，我们有许多用于完成这些任务的算法。一些常用的机器学习算法有线性回归、逻辑回归、决策树、支持向量机、朴素贝叶斯、KNN（K近邻）、K均值、随机森林等。

注： 所有这些算法都将在接下来的文章中介绍。

机器学习术语

• 模型 一个模型就是一个模型 具体表现 通过应用一些机器学习算法从数据中学习。模型也称为 假设 .
• 特色 特征是我们数据的一个可测量的特性。一组数字特征可以方便地用 特征向量 .特征向量作为模型的输入。例如，为了预测水果，可能会有颜色、气味、味道、， 等 注： 选择信息丰富、有鉴别力和独立的特征是有效算法的关键步骤。我们通常雇佣 特征提取器 从原始数据中提取相关特征。
• 目标（标签） 目标变量或标签是我们的模型要预测的值。对于功能部分讨论的水果示例，每组输入的标签将是苹果、橙子、香蕉等水果的名称。
• 训练 其想法是给出一组输入（特征）和预期输出（标签），因此在训练后，我们将有一个模型（假设），然后将新数据映射到训练的类别之一。
• 预言 一旦我们的模型准备好了，就可以向它提供一组输入，它将提供一个预测输出（标签）。

下图明确了上述概念：

相关文章：

• 揭开机器学习的神秘面纱
• 机器学习应用

参考资料：

• https://en.wikipedia.org/wiki/Machine_learning
• https://leonardoaraujosantos.gitbooks.io/artificial-intelligence/
• http://machinelearningmastery.com/data-terminology-in-machine-learning/

本博客由 尼希尔·库马尔 .如果你喜欢GeekSforgeks并想贡献自己的力量，你也可以用write写一篇文章。极客。组织或邮寄你的文章进行评论-team@geeksforgeeks.org.看到你的文章出现在Geeksforgeks主页上，并帮助其他极客。

如果您发现任何不正确的地方，或者您想分享有关上述主题的更多信息，请写下评论。