公开课 | 机器学习基石03 Types of Learning

 写在前面本篇从输出空间、数据标签、协议、输入空间四个角度介绍各式各样的机器学习方法。

1按照输出空间(Output Space)分类

按照Output Space可以分为：

1. 二分类(binary classification)：y={+1, -1}。比如：answer correct/incorrect。

2. 多分类(multiclass classification)：y={1, 2, ..., K}。比如：written digits ⇒ 0,1,··· ,9。

3. 回归(regression)：y=R。比如：company data ⇒ stock price。

4. 结构学习(structured learning)：y=structures。比如：sentence => structure(class of each word)，y={PVN, PVP, NVP, PV, ...}；speech data => speech parse tree。

其中，分类和回归是基本问题。

2按照数据标签(Data Label)分类

按照数据标签，可以分为：

 

1. 监督学习(supervised learning)：全部是标注数据。如下图所示。

 

2. 无监督学习(unsupervised learning)：数据集全部未标注。如下图所示。

 

3. 半监督学习(semi-supervised learning)：数据集标注少量数据。如下图所示。

 

4. 增强学习(reinforcement learning)：一种更加自然的学习方式。不直接告诉什么是正确的，而是通过惩罚不好的结果，奖励好的结果来增强学习的效果。通常用于广告系统中。如下图所示。

 

总结：

3按照协议(Protocol)分类

按照协议，可以分为：

1. 批量学习(batch learning)。最常用的一种协议。

例如：

        batch of (patient, cancer) ⇒ cancer classifier

        batch of patient data ⇒ group of patients 

 

2. 在线学习(online learning)。有序地接受训练数据来学习。比如：垃圾邮件分类。PLA 很容易作为一种在线学习协议。

 

3. 主动学习(active learning)。只有少量标记的数据，通过有策略地(strategically)主动问问题方式来学习。

 

总结：

4按照输入空间(Input Space)分类

按照输入空间，可以分为：

    1. 具体特征(concrete features)。例如：(size, mass) => coin classification。

    2. 原始数据(raw features)。例如：16x16 gray image x≡ (0,0,0.9,0.6,···) ∈ R256  => 数字识别。

    3. 抽象特征(abstract features)。对原始数据进行特征转化和抽取。例如：电影评分原始数据 (userid, itemid, rating)，需要训练 rating. 但是(userid, itemid) 本身没有意义，需要进一步抽取。

总结：

转自：机器学习小蜜蜂

阅读伙伴公众号更多精彩内容，点击 “ 阅读原文 ”