机器学习（ML）是教导计算机系统根据一组数据进行预测的过程。通过为系统提供一系列的试验和错误场景，机器学习研究人员致力于创建 可以分析数据，回答问题并自行做出决定的人工智能系统。

机器学习通常使用基于测试数据的算法，该算法有助于在将来的决策中进行推理和模式识别，从而消除了对传统计算机软件要求的来自人类的明确指令的需求。

什么是机器学习？

机器学习依赖于大量数据，这些数据被馈送到算法中，以生成一个模型，系统可以根据该模型来预测其未来的决策。例如，如果您要输入到系统中的数据是一年中每天在午餐中吃的水果，则您可以使用预测算法来分析不同的水果，并为该水果建立预测模型您可能在第二年进食。

该过程基于反复试验的情况，通常使用多种算法。这些算法分为线性模型，非线性模型，甚至神经网络。它们最终将取决于您正在使用的数据集以及您要回答的问题。

机器学习算法如何工作？

机器学习算法会随着时间的推移使用数据来学习和改进，并且不需要人工指导。该算法分为三种类型：有监督，无监督和强化学习。每种学习类型都有不同的目的，并且可以使数据以不同的方式使用。

监督学习

监督学习涉及标记的训练数据，算法使用该训练数据来学习将输入变量转换为输出变量以求解方程的映射函数。其中有两种监督学习类型：分类，当输出为类别形式时，用于预测给定样本的结果；回归，当输出时，用于预测给定样本的结果。变量是实际值，例如“工资”或“权重”。

监督学习模型的一个示例是K-最近邻居（KNN）算法，它是一种模式识别方法。KNN本质上涉及使用图表来根据附近相似物体的传播情况得出关于物体分类的有根据的猜测。

在上表中，绿色圆圈表示一个尚未分类的对象，它只能属于两个可能的类别之一：蓝色正方形或红色三角形。为了识别其所属的类别，在这种情况下，算法将分析图表上最接近的对象，算法将合理地假设绿色圆圈应属于红色三角形类别。

无监督学习

当只有输入变量而没有相应的输出变量时，将使用无监督学习模型。它使用未标记的训练数据来建模数据的基础结构。

无监督学习算法有三种类型：关联，广泛用于市场购物分析；聚类，用于匹配与另一个聚类中的对象相似的样本；和降维，用于减少数据集中变量的数量，同时保持其重要信息不变。

强化学习

强化学习允许代理通过学习最大化奖励的行为，根据其当前状态决定其下一步行动。它通常用于游戏环境，在游戏环境中提供了规则的算法，并负责以最有效的方式解决挑战。该模型最初会随机开始，但是随着时间的流逝，通过反复试验，它将了解需要在游戏中移动的位置和时间以最大化得分。

在这种类型的培训中，奖励仅仅是与积极成果相关的状态。例如，如果算法能够将汽车保持在道路上而不会撞到障碍物，那么它将“奖励”任务完成。

本文转载自网络，原文链接：https://www.toutiao.com/a6892314521537348099/
本站部分内容转载于网络，版权归原作者所有，转载之目的在于传播更多优秀技术内容，如有侵权请联系QQ/微信：153890879删除，谢谢！