机器学习可从不同的角度，根据不同的方式进行分类。例如，若按系统的学习能力分类，则机器学习可分为有监督学习与无监督学习，两者的主要区别是前者在学习时需要教师的示教或训练，而后者是用评价标准来代替人的监督工作；若按所学知识的表示方式分类，则机器学习可分为逻辑表示法学习、产生式表示法学习、框架表示法学习等；若按机器学习的应用领域分类，则机器学习可分为专家系统、机器人学、自然语言处理、图像识别、博弈、数学、音乐等；若按学习方法是否为符号表示来分类，则机器学习可分为符号学习与非符号学习。下面讨论三种当前常用的分类方法。
（一）按学习方法分类
正如人们有各种各样的学习方法一样，机器学习也有多种学习方法。若按学习时所用的方法进行分类，则机器学习可分为机械式学习、指导式学习、示例学习、类比学习、解释学习等。
这是温斯顿在1977年提出的一种分类方法。
（二）按学习能力分类
1.监督学习（有教师学习）
监督学习是根据“教师”提供的正确响应来调整学习系统的参数和结构，如图5－2所示。典型的监督学习包括归纳学习、示例学习、BP神经网络学习等。
图5-2 监督学习框图
2.强化学习（再励学习）
监督学习是对每个输入模式都有一个正确的目标输出，而强化学习中外部环境对系统输出结果只给出评价信息（奖励或者惩罚），而不是正确答案，学习系统通过那些受惩的动作改善自身的性能，如图2－3所示。基于遗传算法的学习方法就是一种强化学习。
3.非监督学习（无教师学习）
非监督学习系统完全按照环境提供的某些统计规律调节自身的参数或者结构（自组织），以表示出外部输入的某种固有特性，例如聚类或者某种统计上的分布特征，如图2－4所示。非监督学习方法包括各种自组织学习方法如聚类学习、自组织神经网络学习等。(www.xing528.com)
图2-3 强化学习框图
图2-4 非监督学习框图
（三）按推理方式分类
若按学习时所采用的推理方式进行分类，则机器学习可分为基于演绎的学习及基于归纳的学习。基于演绎的学习是指以演绎推理为基础的学习。解释学习在其推理过程中主要使用演绎方法，因而可将它划入基于演绎的学习。
基于归纳的学习是指以归纳推理为基础的学习。示例学习、发现学习等在其学习过程中主要使用归纳推理，因而可将它划入基于归纳的学习。
早期的机器学习系统一般都使用单一的推理方式，现在则趋于集成多种推理技术来支持学习。例如类比学习就既用到演绎推理又用到归纳推理，解释学习也是这样，只是因它演绎部分所占的比例较大，所以把它归入基于演绎的学习。
（四）按综合属性分类
随着机器学习的发展以及人们对它认识的提高，要求对机器学习进行更科学、更全面的分类。因而近年来出现了按学习的综合属性进行分类，它综合考虑了学习的知识表示、推理方法、应用领域等多种因素，能比较全面地反映机器学习的实际情况。
按照这种分类方法，机器学习可分为归纳学习、分析学习、连接学习以及遗传算法与分类器系统等。
分析学习是基于演绎和分析的学习。学习时从一个或几个实例出发，运用过去求解问题的经验，通过演绎对当前面临的问题进行求解，或者产生能更有效应用领域知识的控制性规则。分析学习的目标不是扩充概念描述的范围，而是提高系统的效率。
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。
