机器学习的最佳算法

在下述的内容中，小编将会对机器学习的相关消息予以报道，如果机器学习是您想要了解的焦点之一，不妨和小编共同阅读这篇文章哦。

机器学习中并没有哪个算法是最佳的，所有的算法都有各自最适用的场景。因此，我们来了解一下常见机器学习算法。

1. 监督学习

监督学习是从标记的训练数据来推断一个功能的机器学习任务。训练数据包括一套训练示例。在监督学习中，每个实例都是由一个输入对象(通常为矢量)和一个期望的输出值(也称为监督信号)组成。监督学习算法是分析该训练数据，并产生一个推断的功能，其可以用于映射出新的实例。一个最佳的方案将允许该算法来正确地决定那些看不见的实例的类标签。这就要求学习算法是在一种“合理”的方式从一种从训练数据到看不见的情况下形成。

监督学习是指机器学习过程中，模型预测结果与真实目标变量进行比较的学习方式。常见的监督学习算法有决策树、KNN、SVM、逻辑回归、随机森林等。

2. 无监督学习

无监督学习里典型例子是聚类。聚类的目的在于把相似的东西聚在一起，而我们并不关心这一类是什么。因此，一个聚类算法通常只需要知道如何计算相似度就可以开始工作了。

聚类算法一般有五种方法，最主要的是划分方法和层次方法两种。划分聚类算法通过优化评价函数把数据集分割为K个部分，它需要K作为输入参数。典型的分割聚类算法有K-means算法, K-medoids算法、CLARANS算法。层次聚类由不同层次的分割聚类组成，层次之间的分割具有嵌套的关系。它不需要输入参数，这是它优于分割聚类 算法的一个明显的优点，其缺点是终止条件必须具体指定。典型的分层聚类算法有BIRCH算法、DBSCAN算法和CURE算法等。

无监督学习通常针对于没有明确的答案或目标变量的数据。此时，需要算法从数据中发掘隐藏的信息。常见的无监督学习算法有聚类、主成分分析等。

3. 半监督学习

半监督学习是指利用一部分有标签的数据和无标签的数据进行学习。通常情况下，有标签的数据比无标签的数据少得多。常见的半监督学习算法有深度置信网络、困惑度等。

在半监督学习成为一个热门领域之后，出现了许多利用无类标签的样例提高学习算法预测精度和加快速度的学习方法，因此出现了大量改进的半监督学习方法。Nigam等人将EM和朴素贝叶斯结合，通过引入加权系数动态调整无类标签的样例的影响提高了分类准确度，建立每类中具有多个混合部分的模型，使贝叶斯偏差减小。Zhou和Goldman提出了协同训练改进算法，不需要充分冗余的视图，而利用两个不同类型的分类器来完成学习。Shang等人提出一种新的半监督学习方法，能同时解决有类标签样本稀疏和具有附加无类标签样例成对约束的问题。

4. 强化学习

强化学习是一种通过学习的方式，使得机器能够根据奖励信号做出更好的决策的方法。常见的强化学习算法有Q-learning、策略梯度等。

强化学习是智能体(Agent)以“试错”的方式进行学习，通过与环境进行交互获得的奖赏指导行为，目标是使智能体获得最大的奖赏，强化学习不同于连接主义学习中的监督学习，主要表现在强化信号上，强化学习中由环境提供的强化信号是对产生动作的好坏作一种评价(通常为标量信号)，而不是告诉强化学习系统RLS(reinforcement learning system)如何去产生正确的动作。由于外部环境提供的信息很少，RLS必须靠自身的经历进行学习。通过这种方式，RLS在行动-评价的环境中获得知识，改进行动方案以适应环境。

以上就是小编这次想要和大家分享的有关机器学习的内容，希望大家对本次分享的内容已经具有一定的了解。如果您想要看不同类别的文章，可以在网页顶部选择相应的频道哦。