【摘要】：机器学习主要解决三类典型问题。第二类是监督学习问题：给定数据，并预测这些数据的标签。其典型的应用场景是推荐、预测相关的问题。第三类是强化学习问题：给定数据，并选择动作以最大化长期奖励。机器学习的主要算法包括：线性回归算法、支持向量机算法、最近邻居/K-近邻算法、逻辑回归算法、决策树算法、K-平均算法、随机森林算法、朴素贝叶斯算法、降维算法、梯度增强算法。
机器学习主要解决三类典型问题。
第一类是无监督学习问题：给定数据，并从数据中发现信息。它输入的是没有维度标签的历史数据，要求输出的是聚类后的数据。其典型的应用场景是用户聚类、新闻聚类等。
第二类是监督学习问题：给定数据，并预测这些数据的标签。它输入的是带有维度标签的历史数据，要求输出的是依据模型所做出的预测。其典型的应用场景是推荐、预测相关的问题。(www.xing528.com)
第三类是强化学习问题：给定数据，并选择动作以最大化长期奖励。它输入的是历史的状态、动作和对应奖励，要求输出的是当前状态下的最佳动作。与前两类问题不同的，强化学习是一个动态的学习过程，而且没有明确的学习目标，对结果也没有精确的衡量标准。强化学习作为一个序列决策问题，就是计算机连续选择一些行为，在没有任何维度标签的情况下，计算机先尝试做出一些行为，然后得到一个结果，通过判断这个结果是对还是错，用来对之前的行为进行反馈。
机器学习的主要算法包括：线性回归（Linear Regression）算法、支持向量机（Support Vector Machine，SVM）算法、最近邻居/K-近邻（K-Nearest Neighbors，KNN）算法、逻辑回归（Logistic Regression）算法、决策树（Decision Tree）算法、K-平均（K-Means）算法、随机森林（Random Forest）算法、朴素贝叶斯（Naive Bayes）算法、降维（Dimensional Reduction）算法、梯度增强（Gradient Boosting）算法。
免责声明：以上内容源自网络，版权归原作者所有，如有侵犯您的原创版权请告知，我们将尽快删除相关内容。
