机器学习的分类，你知道吗？

机器学习可以说是一门多领域交叉的学科，关系到概率论、统计学、凸分析、逼近论、计算复杂性理论等多门学科。可以这么描述，机器学习理论主要是设计和分析一些让计算机可以自动“学习”的方法。通俗来说，机器学习是让计算机从数据中挖掘出有价值的信息。

从不同的角度来看待机器学习，可以有不同的理解。下面简要介绍几种主要的分类方法。

根据训练数据是否有标签，机器学习可以分为监督学习、半监督学习和无监督学习。

监督学习：指的是训练数据中每个样本都有标签，通过标签可以指导模型进行学习，学到具有判别性的特征，因此可以对未知样本进行预测。比如图像分类比赛ImageNet，通过利用每张图像已有的标签来训练模型，使得模型可以对未知的图像进行预测，最终得到相应的分类结果。

无监督学习：指的是训练数据完全没有标签，而是通过算法从已有的数据中发现一些“规律”，即数据之间的约束关系，也许是数据之间的关联、距离关系等等。聚类是无监督学习算法中的一种，通过计算样本间的“距离”来将相近的样本聚集到一起，这里的“距离”可以是广义上的距离。

半监督学习：这是介于监督学习和无监督学习之间的一种机器学习的形式。它的训练数据是包含有标签数据，也包含无标签数据。事实上，有标签数据和无标签数据都是从同一分布中采样得来，那无标签数据中含有一些数据分布相关的信息，算是对有标签数据的一种补充。实际场景中，往往会因为有大量的数据，这些数据可能带有标签，但更多是没有标签的，人工标记的代价巨大，无监督学习则提供了一种解决思路。

从算法输出的形式上，机器学习可以分为分类问题和回归问题，而这两类问题都是属于监督学习的范畴。

回归问题：算法模型输出的是连续值。

分类问题：算法模型输出的是离散值。实际的处理过程中，人们也是通过解决回归问题的方法来解决分类问题。

码字不易，欢迎关注AINotesClub。