2.9 KiB
[解释]机器学习的 4 种类型–简要概述
原文：https://www.askpython.com/python/examples/types-of-machine-learning
读者朋友们，你们好！在本文中，我们将详细关注机器学习的类型。所以，让我们开始吧！！🙂
什么是机器学习？
机器学习已经成为数据科学和分析领域所有开发者的热门话题。机器学习领域为我们提供了各种算法，使我们能够对数据值进行预测，从而解决现实生活中的问题。
例如，根据迄今为止的数据，如果我们希望知道未来几天的天气预报，可以通过使用机器学习算法的数据预测轻松实现。它使我们能够解决业务问题，也为业务分析轻松掌握需求预测铺平了道路。
机器学习算法的类型
机器学习为我们提供了以下类型的算法，这些算法对数据变量的类型具有选择性
- 监督机器学习
- 无监督机器学习
- 半监督机器学习
- 强化机器学习
让我们在接下来的章节中逐一查看。
1.监督 ML
监督机器学习算法通常处理数值和分类数据值。它们将标记的输入数据值馈送给模型，并且馈送的训练数据的输出也被馈送给模型。
在这里，算法从输入和历史输出数据中学习，检测数据中的模式，然后对测试数据进行预测。
对数值相关数据变量起作用的监督 ML 算法称为回归算法，而对分类数据值起作用的算法称为分类数据算法。
2.无监督 ML
在无监督的机器学习算法中，模型没有任何标记的数据值。也就是说，模型接受未标记的数据，然后从数据中检测相似的特征，并将它们分组到一个类别中。
训练数据的输出永远不会提供给模型。在这里，模型通过发现潜在的模式，通过等式和相关性等进行自我学习。
无监督机器学习算法解决聚类和关联问题等。
3.钢筋 ML
在强化学习中，模型通过试错来学习。也就是说，它包含一个称为代理的机器组件，该代理以模拟的方式从反复试验中学习。
该模型通过奖励和惩罚来强化试错法的结果，奖励和惩罚基于从试验中模型的行为和学习。
4.半监督 ML
使用半监督机器学习，馈送到模型的数据部分被标记，也部分未被标记。这些算法大多从分类相关变量开始工作，可用于数据模型的分类和聚类。
它将已标记和未标记的数据作为输入，甚至作为训练数据的输出，从模式中学习，然后得出某些预测。
结论
到此，我们就结束了这个话题。如果你遇到任何问题，欢迎在下面评论。
更多关于 Python 机器学习的文章，敬请关注我们。
在那之前，学习愉快！！🙂