按照数据集是否有标记 (label) 来进行分类:
监督学习(supervised learning): 训练数据中均有 label, 在模型训练的过程中, 计算模型预测的结果与实际的 label 之间的差异, 以此为目标对模型进行不断地优化, 直至模型预测模型的准确率达到要求或者优化的次数达到设定的次数. 常见的如回归, 分类
非监督学习(unsupervised learning): 训练数据中没有 label, 对模型进行训练以达到分析数据结构的目的, 常见的如聚类, 降维等
半监督学习(semi-supervised learning): 训练数据中部分有 label, 部分没有 label. 例如在实际的项目中, 将所有的数据都标记是十分困难的, 一般选择将部分数据标记, 部分不标记, 模型训练时, 常先对数据进行非监督学习, 后对数据进行监督学习.
强化学习(reinforcement learning): 将数据输入到模型中, 将模型的结果直接反馈给模型, 模型根据结果的好坏直接进行优化, 类似于训练宠物.
按照数据输入的方式来进行分类:
batch learning: 将数据分批次的输入到模型中进行训练.
online learning: 将数据一条一条的输入到模型中进行训练.
按照学习的主动性分类:
主动学习: 让模型具有问问题的能力, 通过问题的答案来训练模型
被动学习: 通过输入数据训练模型
机器学习
来源: http://www.bubuko.com/infodetail-2973879.html