一文读懂机器学习！（3种学习方法+7个实战方法+15种常见算法）

将不打标签的相片给机器

通过学习，机器会把那些相片分为2类，一类都是狗的相片，一类都是猫的相片。虽然和旁边的监督学习看上去结果差不多，但是有着本质的区别：

非监督学习中，虽然相片分为了狗跟犬机器学习方法，但是机器并不晓得那个是狗，哪个是猫。对于机器来说，相当于分成了 A、B 两类。

机器可以将狗跟犬分开，但是并不知道那个是狗，哪个是猫

了解更多关于 非监督学习

强化学习

强化学习更接近生物学习的本质，因此有望荣获更高的智能。它关注的是智能体怎样在环境中采取一系列行为，从而荣获最大的累积收益。通过加强学习，一个智能体应当晓得在何种状态下应当采取何种行为。

最典型的场景就是打游戏。

2019年1月25日，AlphaStar（Google 研发的人工智能程序，采用了强化学习的训练方法） 完虐星际争霸的职业拳手职业拳手“TLO”和“MANA”。新闻链接

了解更多关于 强化学习

机器学习实战的7个方法

通过前面的内容，我们对机器学习早已有一些模糊的概念了，这个时侯肯定会非常好奇：到底如何使用机器学习？

机器学习在实际操作层面一共分为7步：

收集数据数据打算选择一个模型训练评估参数调整预测（开始使用）机器学习的7个方法

假设我们的任务是通过乙醇度跟色调来辨别啤酒跟饮料，下体介绍一下机器学习中每一个方法是怎样工作的。

案例目标：区分啤酒跟饮料

步骤1：收集数据

我们在商场买来一堆不同种类的威士忌跟啤酒，然后再卖来检测色调的光谱仪跟适于测定酒精度的设备。

这个时侯，我们把买来的所有酒都标记出他的色调跟酒精度，会产生下边这张表格。

颜色酒精度种类

啤酒

红酒

红酒

这一步十分重要，因为数据的数目跟品质直接决定了预测模型的优劣。

步骤2：数据打算

在这个事例中，我们的数据是太工整的，但是在实际状况中，我们搜集至的数据会有这些问题，所以会牵涉至数据擦洗等工作。

当数据原本没有哪些问题后，我们将数据分成3个部份：训练集（60%）、验证集（20%）、测试集（20%），用于上面的验证跟评估工作。

数据要分为3个部份：训练集、验证集、测试集

关于数据打算部份，还有特别多的方法，感兴趣的可以瞧瞧《AI 数据集最常见的6大问题（附解决方案）》

步骤3：选择一个模型

研究人员跟数据科学家多年来造就了许多模型。有些特别适于图象数据，有些特别适合于序列（如文本或音乐）机器学习方法，有些适于数字数据，有些适于基于文本的数据。

在我们的实例中，由于我们只有2个特点，颜色跟酒精度，我们可以使用一个小的线性模型，这是一个相当简略的模型。

步骤4：训练

大部分人都觉得这个是最重要的部份，其实并非这么~ 数据总量跟品质、还有模型的选择比训练原本重要更多（训练知识台上的3分钟，更重要的是台下的10年功）。

这个过程就不需要人来参与的，机器独立就可以完成，整个过程就好似是在做算术题。因为机器学习的本质就是将问题转换为物理问题，然后解惑英语题的过程。

步骤5：评估

一旦训练完成，就可以评估模型是否有用。这是我们之前预留的验证集跟测试集发挥作用的地方。评估的指标主要有 准确率、召回率、F值。

这个过程可以使我们看见模型怎样对未能见到的数是怎样做预测的。这意味着代表模型在现实世界中的表现。

步骤6：参数调整

完成评估后，您或许希望了解是否可以以任何形式逐步改进训练。我们可以通过调整参数来做到这一点。当我们进行训练时，我们蕴涵地假定了一些参数，我们可以通过觉得的调整某些参数使模型表现的更强悍。

步骤7：预测

我们里面的6个方法都是为了这一步来服务的。这只是机器学习的价值。这个时侯，当我们买来一瓶新的酒，只要告诉机器他的色调跟酒精度，他都会告诉你，这时威士忌还是啤酒了。

YouTube 上有一个视频介绍了这7个方法 The 7 Steps of Machine Learning（需要科学上网）

15种精典机器学习算法算法训练方法

线性回归

监督学习

逻辑回归

监督学习

线性鉴别剖析

监督学习

决策树

监督学习

朴素贝叶斯

监督学习

监督学习

学习向量量化

监督学习

支持向量机

监督学习

随机森林

监督学习

AdaBoost

监督学习

高斯混合模型

非监督学习

限制波尔兹曼机

非监督学习

K-means 聚类

非监督学习

最大期望算法

非监督学习

本文来自电脑杂谈，转载请注明本文网址：
http://www.pc-fly.com/a/jisuanjixue/article-134963-1.html