人工智慧基礎：機器學習常見的演算法介紹

今天來跟大家聊聊與機器學習演算法相關的知識，一起來看看吧！

機器學習的演算法主要包括監督學習、無監督學習、半監督學習、遷移學習、強化學習。

1、監督學習

監督學習是機器學習當中非常常見的一種機器學習類型，就是在已知輸入輸出的情況下訓練出一個模型，並且將輸入映射輸出。

特點：給出了學習目標（例如實際值、標註等等）。

監督學習根據目標結果是離散還是連續，又可以把監督學習分成分類和迴歸。

1.1 分類

該類型的預測目標值是離散的，例如預測是否會下雨，最終的結果只有兩種，下雨或者不下雨兩種類別情況。

目的：根據歷史的結果來預測新樣本的分類結果，針對兩個分類結果的任務稱為二分任務；兩種以上稱為多分類任務。

常見演算法：決策樹、隨機森林、K-最近鄰演算法、邏輯迴歸、支援向量機、人工神經網路。

1.2 迴歸

此類型的預測目標值是連續的，典型的例子預測某個樓盤的價格趨勢。

演算法：線性迴歸、AdaBoosting等。

2、無監督學習

無監督學習的特徵是不需要認為進行資料標註，而是根據模型不斷的進行自我學習、鞏固，最後透過自我總結歸納來學習。學習模型主要包含聚類、降維。

2.1 聚類

主要是指將物理或抽象物件的集合由相似物件組成多個類別過程，可以理解為依照相近的原則進行分組。

演算法：常見的有K-means 演算法、BIRCH演算法、DBSCAN演算法。

2.2 降維

針對高維度資料對系統資源和演算法效能依賴非常大，降維就是把高維度資料中不重要的資訊處理掉同時又保留大部分的重要資訊.簡單來說就是由繁到簡的過程，把複雜的問題盡量簡單話，這樣處理起來難度會小很多。

優點：節省空間、節省演算法消耗的時間、減少系統資源的消耗。

演算法：主成分分析演算法（PCA）

3、半監督學習

#監督學習與無監督學習結合的一種學習方法。半監督學習使用大量的未標記數據，以及同時使用標記數據，來進行模式識別工作。

半監督學習適合由少量標籤的樣本和大量無標籤的樣本，可以實現較高的準確性預測。

4、遷移學習

遷移學習指的是預先訓練的模型被重新用在另一個學習任務中的學習方法。

來源域：已有的知識；目標域：待學習的新知識。

5、強化學習（ReinforcementLearning， RL）

RL也稱為再勵學習、評量學習、增強學習屬於機器學習的典範和方法論之一。

強化學習的任務就是讓智慧型裝置可以像人類一樣，不斷學習、嘗試，然後可以在不同的環境下做出最理想的處理方案，強化屬於連續決策的過程，透過不斷嘗試來發現哪一種是最佳的方式。

案例：AlphaGo利用強化學習演算法擊敗了世界冠軍李世石、GoogleYouTube影片推薦演算法等等。

以上是人工智慧基礎：機器學習常見的演算法介紹的詳細內容。更多資訊請關注PHP中文網其他相關文章！