机器学习中有哪些不同的模型？

---

训练机器学习序列的程序称为该机器的学习模型。机器学习模型是经过编程的训练模式，它根据先前在机器学习中使用的数据集得出结论。存在不同的机器学习模型，它们被分为不同的因素，例如赋予机器的任务类型。

机器学习中的模型

使用算法学习方法查找特定场景并提供输出的过程称为机器学习模型。在训练过程中，从数据集中找到特定的模式或输出，这被称为具有某些特定规则的机器学习模型。机器学习的一个常见示例是人脸检测或人脸识别。学习模型检测输入图像的不同面部，然后测量该方法中涉及的不同对齐方式。最后，从数据库中识别面部。

机器学习中不同模型的分类

机器学习模型大致分为三种类型：监督学习、无监督学习和强化学习。让我们逐一简要了解一下。

监督学习模型

顾名思义，监督学习指的是一些受管理的学习算法，它使用一些先前的标签来预测即将到来的观察结果。机器的学习模型，其中选择的算法从先前标记的输入中获取信息，并将其用于下一个输出。首先标记一大批数据，然后将其移交给算法以查找目标观察结果。标记的数据集提高了机器的学习能力。它有助于通过频繁的准确性测试来进行风险管理、垃圾邮件和欺诈检测。

监督学习进一步细分为以下子类型：

分类

在需要分类算法的地方使用分类模型。监督学习模型的响应被分类为双重决策，例如，是或否，空闲或占用，白色或黑色，红色或蓝色等。这被称为分类监督学习模型。它主要用于垃圾邮件检测。

回归

回归模型与分类模型恰好相反。在这里，算法没有被分类，并且在响应没有被分类的情况下使用。回归模型是一种监督学习，其中连续值用于预测新的观察结果。回归模型的示例包括天气预报、价格涨跌、医学诊断、语音识别等。

无监督学习模型

无监督学习顾名思义，它不包含任何标记的数据集或预测来让机器学习。使用未标记和聚类的多组数据集的学习模型称为无监督学习模型。这不受机器或任何实体的监督。

无监督学习模型进一步分为以下子类型：

聚类

根据其相似性和差异性对一组未标记数据进行数据提取的技术称为聚类。聚类处理未分类的原始数据集，并根据某些模式、相似性和差异性将它们捆绑成集群形式来提取数据集。

关联规则

在此算法中，用户的目标是从大型数据集中创建对象之间的一些关系或关联。它创建数据集各个变量之间的关系。使用此技术，我们可以根据数据集其他关联对象来预测特定对象的出现。

K均值算法

这是一种无监督机器学习算法，用于解决组或集群中存在的问题。在这种方法中，数据集被分成组或集群，以便所有数据类型都属于不同的类别。集群内的数据点应与其他集群的数据点同质且异质。

降维

数据集中存在许多变量、特征和输入，这些实体称为“维度”。此机器学习模型用于减少这些维度。此学习模型的目的是将更高维度转换为较低维度的数据集，以便可以分离相似类型的数据。

强化学习模型

强化学习模型定义为一个接受反馈的模型，其中模型的目标是为特定系统获得最大的积极反馈。在其中，各种软件和机器协同工作以找到特定问题的最佳和最优解。在此训练模型中，模型采取的下一个动作是根据先前结果的输出来决定的。系统需要执行两种类型的反馈：积极反馈和消极反馈。让我们简要了解一下这两种类型的反馈。

积极反馈

积极强化定义为系统对某个动作给予积极反馈的事件。对特定动作给予积极反馈会增加机器再次执行此类动作的勇气。以便训练模型可以获得最大奖励。

消极反馈

消极强化定义为系统对某个动作给予消极反馈的事件。对特定动作给予消极反馈会降低机器再次避免此类动作的勇气。以便训练模型可以获得最少的消极反馈。

结论

• 使用算法学习方法查找特定场景并提供输出的过程称为机器学习模型。

• 最常用和最重要的机器学习算法是卷积神经网络 (CNN)。CNN 基于从图像中提取输入的原理。

• 机器学习模型大致分为三种类型：监督学习、无监督学习和强化学习。

• 监督学习的各种类型包括分类和回归。

• 无监督学习的各种类型包括聚类、可视化、投影和密度估计。

• 强化学习模型定义为一个接受反馈的模型，其中模型的目标是针对特定问题获得最大的积极反馈。

• 我们在强化学习中获得的两种反馈类型是积极反馈和消极反馈。