機器學習中有哪些不同的模型？

---

訓練機器學習序列的程式稱為該機器的學習模型。機器學習模型是經過程式設計的訓練模式，它根據先前在機器學習中使用的資料集得出結論。存在不同的機器學習模型，它們被分為不同的因素，例如賦予機器的任務型別。

機器學習中的模型

使用演算法學習方法查詢特定場景並提供輸出的過程稱為機器學習模型。在訓練過程中，從資料集中找到特定的模式或輸出，這被稱為具有某些特定規則的機器學習模型。機器學習的一個常見示例是人臉檢測或人臉識別。學習模型檢測輸入影像的不同面部，然後測量該方法中涉及的不同對齊方式。最後，從資料庫中識別面部。

機器學習中不同模型的分類

機器學習模型大致分為三種類型：監督學習、無監督學習和強化學習。讓我們逐一簡要了解一下。

監督學習模型

顧名思義，監督學習指的是一些受管理的學習演算法，它使用一些先前的標籤來預測即將到來的觀察結果。機器的學習模型，其中選擇的演算法從先前標記的輸入中獲取資訊，並將其用於下一個輸出。首先標記一大批資料，然後將其移交給演算法以查詢目標觀察結果。標記的資料集提高了機器的學習能力。它有助於透過頻繁的準確性測試來進行風險管理、垃圾郵件和欺詐檢測。

監督學習進一步細分為以下子型別：

分類

在需要分類演算法的地方使用分類模型。監督學習模型的響應被分類為雙重決策，例如，是或否，空閒或佔用，白色或黑色，紅色或藍色等。這被稱為分類監督學習模型。它主要用於垃圾郵件檢測。

迴歸

迴歸模型與分類模型恰好相反。在這裡，演算法沒有被分類，並且在響應沒有被分類的情況下使用。迴歸模型是一種監督學習，其中連續值用於預測新的觀察結果。迴歸模型的示例包括天氣預報、價格漲跌、醫學診斷、語音識別等。

無監督學習模型

無監督學習顧名思義，它不包含任何標記的資料集或預測來讓機器學習。使用未標記和聚類的多組資料集的學習模型稱為無監督學習模型。這不受機器或任何實體的監督。

無監督學習模型進一步分為以下子型別：

聚類

根據其相似性和差異性對一組未標記資料進行資料提取的技術稱為聚類。聚類處理未分類的原始資料集，並根據某些模式、相似性和差異性將它們捆綁成叢集形式來提取資料集。

關聯規則

在此演算法中，使用者的目標是從大型資料集中建立物件之間的一些關係或關聯。它建立資料集各個變數之間的關係。使用此技術，我們可以根據資料集其他關聯物件來預測特定物件的出現。

K均值演算法

這是一種無監督機器學習演算法，用於解決組或叢集中存在的問題。在這種方法中，資料集被分成組或叢集，以便所有資料型別都屬於不同的類別。叢集內的資料點應與其他叢集的資料點同質且異質。

降維

資料集中存在許多變數、特徵和輸入，這些實體稱為“維度”。此機器學習模型用於減少這些維度。此學習模型的目的是將更高維度轉換為較低維度的資料集，以便可以分離相似型別的資料。

強化學習模型

強化學習模型定義為一個接受反饋的模型，其中模型的目標是為特定系統獲得最大的積極反饋。在其中，各種軟體和機器協同工作以找到特定問題的最佳和最優解。在此訓練模型中，模型採取的下一個動作是根據先前結果的輸出來決定的。系統需要執行兩種型別的反饋：積極反饋和消極反饋。讓我們簡要了解一下這兩種型別的反饋。

積極反饋

積極強化定義為系統對某個動作給予積極反饋的事件。對特定動作給予積極反饋會增加機器再次執行此類動作的勇氣。以便訓練模型可以獲得最大獎勵。

消極反饋

消極強化定義為系統對某個動作給予消極反饋的事件。對特定動作給予消極反饋會降低機器再次避免此類動作的勇氣。以便訓練模型可以獲得最少的消極反饋。

結論

• 使用演算法學習方法查詢特定場景並提供輸出的過程稱為機器學習模型。

• 最常用和最重要的機器學習演算法是卷積神經網路 (CNN)。CNN 基於從影像中提取輸入的原理。

• 機器學習模型大致分為三種類型：監督學習、無監督學習和強化學習。

• 監督學習的各種型別包括分類和迴歸。

• 無監督學習的各種型別包括聚類、視覺化、投影和密度估計。

• 強化學習模型定義為一個接受反饋的模型，其中模型的目標是針對特定問題獲得最大的積極反饋。

• 我們在強化學習中獲得的兩種反饋型別是積極反饋和消極反饋。