机器学习模型的类型

机器学习模型有很多版本,就像有很多不同的机器学习分类一样。当然,并不是每个人都同意机器学习模型的确切数量或细分,但我们提出了两个最常见的摘要。

首先,有些人将机器学习模型分为三种类型:

  • 监督学习

 数据集包括其所需的输出或标签,以便函数可以计算任何给定预测的误差。当创建预测时,监督部分就会发挥作用,并产生错误来更改函数并学习映射。监督学习的目标是创建一个函数,可以有效地概括从未见过的数据。

  • 无监督学习

在某些情况下,数据集没有所需的输出,因此无法监督该函数。相反,该过程尝试将数据集分割成“类”,以便每个类都具有具有共同特征的数据集片段。无监督学习旨在构建一个映射函数,根据数据中发现的特征对数据进行分类。

  • 强化学习

通过强化学习,算法尝试学习给定的一组状态导致目标状态的动作。因此,错误不会在每个示例之后被标记,而是在收到强化信号时标记,例如达到目标状态。这个过程与人类学习非常相似,其中不会为每个动作提供反馈,只有当情况需要奖励时才提供反馈。

或者,我们可以将机器学习模型分为五种类型。这种方法可以更具体、更深入地了解机器学习的特征。

  • 分类模型

分类根据有限数量的选项来预测对象的类别或类型。分类输出变量始终是一个类别。例如,这封电子邮件是否是垃圾邮件?

  • 回归模型

回归是一个问题集,其中输出变量可以假设连续值。例如,预测商品市场上每桶石油的价格是一个标准的回归任务。回归模型进一步分为:

o 决策树

o 随机森林

o 线性回归

  • 聚类

该模型涉及将相似的对象收集到组中。此过程有助于自动识别相似的对象,无需人工干预。有效的监督机器学习模型,包括需要使用标记或手动管理的数据进行训练的模型,需要同质数据,而聚类提供了一种更智能的方法来实现这一点。

  • 降维

有时,现实数据集中可能的变量数量太多,这会导致问题。并非所有这些无数的变量都对目标有重大贡献。因此,我们转向降维,以较少数量的变量保留方差。

  • 深度学习

这种机器学习类型涉及神经网络。神经网络是数学方程网络。网络获取输入变量,通过方程运行它们,并产生输出变量。最重要的深度学习模型是:

o 自动编码器

o 玻尔兹曼机

o 卷积神经网络

o 多层感知器

o 循环神经网络