基本信息

来源摘要/节选

公开展示已截断至最多 800 个字符；请访问原始来源查看完整上下文。

思维导图 一、机器学习算法分类 机器学习的核心在于 算法 ，而根据数据集是否有 标签 ，我们可以将机器学习算法分为 四大类 。掌握这些分类，就像拥有了机器学习的 地图 ，能让我们在面对不同问题时快速判断方向，而不是盲目选择模型。 机器学习本质上解决的是 从数据中学习规律 的问题，不同的数据形态决定了我们该用哪种学习方式。

  1. 有监督学习 有监督学习 是最常见、应用最成熟的一类算法，也是工业界落地最多的一种形式。 定义 ：输入数据由 特征值 和 目标值 组成。简单来说，训练数据是带 标签 的，也就是每条数据都有标准答案。 换句话说，我们是在学习一个从 输入 到 输出 的映射关系。 类比 ：就像学生在老师的指导下学习。老师提供题目（ 特征 ）和标准答案（ 标签 ），学生通过不断练习，学会看到题目就能写出正确答案。这种有答案参考的学习方式，就是有监督学习。 核心任务： 分类 ：目标值是 离散 的（不连续）。例如：垃圾邮件检测（是/否）、图像识别（猫/狗/车）。本质是将样本划分到不同类别。 回归 ：目标值是 连续数值 。例如：预测明天的气温、预测房价。本质是预测一个具体数值。 分类预测类别，回归预测数值。
  2. 无监督学习 定义：输入数据没有 标签 。机器只拿到一堆数据，不知道它们代表什么，需要自己去发现数据内部的 结构 和 规律 。 类比：就像给小孩一堆积木，不告诉他怎么分类，他可能会根据 颜色 或 形状 ，自发地分成几堆。这种主动归纳，就是无监督学习的核心。 核心任务： 聚类 ：根据样本间的相似性，将样本划分为不同组。常见应用包括 客户细分 、 异常检测 。 降维 ：在保留主要信息的情况下减少特征数量，用于 数据压缩 或可视化分析。 一句话理解： 无监督学习的核心是发现隐藏结构。
  3. 半监督学习 背景：现实中 数据很多 ，但 人工标注成本很高 。…

来源说明

当前只保存了公开页面节选，不代表原文全文。请以原始来源为准。

本页只呈现已做哈希绑定的来源证据，不包含基于旧正文或缺失原文的扩展推断。