重庆企业网站推广方案,南宁网站建设王道下拉強,安徽百度seo公司,合肥网站建设网站制作一、按学习方式分类
1.监督学习#xff08;Supervised Learning#xff09;
#xff08;1#xff09;定义#xff1a;使用已标记的数据进行训练#xff0c;每个输入数据都有对应的输出标签。模型学习输入与输出之间的映射关系。
按以上可以分为以下两种#xff1a;
…一、按学习方式分类
1.监督学习Supervised Learning
1定义使用已标记的数据进行训练每个输入数据都有对应的输出标签。模型学习输入与输出之间的映射关系。
按以上可以分为以下两种
分类任务将输入分配到预定义的类别如0-9数字识别。
回归任务预测连续数值如房价预测。
2常用算法线性回归、逻辑回归、决策树、随机森林、支持向量机SVM、神经网络等。
2.无监督学习Unsupervised Learning
1定义使用未标记的数据进行训练。模型通过找到输入数据中的模式来进行学习。
聚类任务将相似的数据点分为同一组如客户细分。
降维任务减少数据的维度以便于分析和可视化如主成分分析。
2常用算法K均值聚类K-Means Clustering、DBSCAN、主成分分析PCA、t-SNE等。
3.强化学习Reinforcement Learning
1定义通过与环境的交互学习。智能体通过采取行动获得奖励或惩罚以最大化累积奖励。
核心概念智能体、环境、状态、行动和奖励。
2常用算法Q学习Q-Learning、深度Q网络DQN、策略梯度方法、Proximal Policy OptimizationPPO等。
二、按任务类型分类
1.分类算法Classification Algorithms 将输入数据分类到预定义类别中。算法有逻辑回归、随机森林、支持向量机、决策树、朴素贝叶斯、K-最近邻KNN等。
2.回归算法Regression Algorithms 预测连续变量。算法有线性回归、岭回归、套索回归Lasso Regression等。
3.聚类算法Clustering Algorithms 将数据集划分为不同的组。示例算法K均值、DBSCAN、层次聚类等。
4.降维算法Dimensionality Reduction Algorithms 简化数据集去除冗余特征。示例算法主成分分析PCA、线性判别分析LDA等。
三、按模型结构分类
1.线性模型 假设输入特征和输出变量之间存在线性关系。如线性回归。
2.非线性模型 假设输入特征和输出变量之间存在非线性关系。如支持向量机SVM通过核函数实现非线性映射、神经网络等。
3.基于树的模型 通过递归分割特征空间构建树状结构进行分类或回归。如决策树、随机森林、梯度提升树GBDT、XGBoost等。
4.基于神经网络的模型 通过训练神经元之间的连接权重来预测目标变量。如多层感知机MLP、卷积神经网络CNNs、循环神经网络RNNs、长短期记忆网络LSTM、Transformer模型等。
四、其他分类方式
1.集成学习Ensemble Learning
1定义结合多个模型的预测以提高性能。如Bagging如随机森林、Boosting如AdaBoost、XGBoost等。
2.半监督学习Semi-supervised Learning
1定义结合少量有标签和大量无标签的数据进行训练。应用在标注数据稀缺的情况下提高模型性能。
