机器学习的类型

 根据输出空间种类进行分类

1. 二分类，输出 Y = {−1, +1}: 

PLA是线性二分类，二分类还有其他的

2. 多分类，输出 Y = {1, 2, · · · , K} (abstractly) 二分类是多分类的特殊情况（ K = 2）

 Coin Recognition Problem

 

 

3. 回归，输出 Y = R or Y = [lower, upper] ⊂ R (bounded regression)

4. Structured Learning: Sequence Tagging Problem

   

 sentence ⇒ structure (class of each word)      输出 Y = {PVN, PVP, NVN, PV, · · · }, not including VVVVV

总结，我们可以根据输出空间的类型来对学习算法进行分类

 

根据标签进行分类

1.监督学习 supervised learning: every xn comes with corresponding yn

2. 无监督学习 Unsupervised: every xn comes without corresponding yn

 

3. 半监督学习 Semi-supervised: some xn comes with corresponding yn   （标签获取困难或者费时费力时  采用这种方法）

 

 

4. 强化学习 Reinforcement Learning 

  

总结，我们可以根据不同的标签来对学习算法进行分类

 根据数据的训练方式对算法进行分类

1 batch learning 从所有已知的数据中训练学习

2 online learning 每次训练一个数据，然后根据结果对模型进行修正，然后训练下一个数据

3 activate learning  Learning by ‘Asking’

 

 根据输入的特征类型进行分类

1. Concrete Features

通常这些特征来自一定的先验知识，比如(size, mass) for coin classification， 并且具有sophisticated physical meaning 。

2. Raw Features

这些特征通常具有‘simple physical meaning， 比如图像的像素  。因为数据简单抽象，机器训练起来比较难

raw features often need human（常常称之为特征工程） or machines to convert to concrete ones

3 Abstract Features

‘no physical meaning’; thus even more difficult for ML；   again need ‘feature conversion/extraction/construction

总结  

 参考资料： 

机器学习基石，完整版 - 林轩田 - 台湾大学 https://www.bilibili.com/video/BV1W7411z7Ra?p=13

标签：输出,机器,yn,分类,笔记,学习,meaning,learning,基石
来源： https://www.cnblogs.com/z-g-f/p/12660476.html