机器学习问题分类--机器学习基石笔记
2015-03-06 18:55
197 查看
机器学习问题根据不同的角度可以分成不同的类型,以下是课程中提到的类型划分,这对机器学习方向的整体把握和具体问题定位非常有帮助。
1、根据不同的结果输出空间(Out Space),可以将机器学习问题分为:
二分类(binary Classification)问题
多分类(Multiclass Classification)问题
回归分析问题(regression)
结构学习问题:序列标记(Sequence Tagging)问题
其他更复杂的问题
2、数据标签(Label)的不同可以将机器学习问题划分为:
监督学习(Supervised)--分类(Classification)
无监督学习(Unsupervised)--聚类(clustering)
半监督学习(Semi-Supervised)
增强学习(Reinforcement Learning)--一种”困难“但是非常自然的方式进行学习
其他
3、不同协议(Protocol)区分机器学习类型:
批量(batch)学习--”填鸭式“(duck feeding)
线上(online)学习--”循序渐进式“(passive sequential)
主动(active)学习--”提问式“(question asking)
其他
4、根据不同的数据输入空间区分机器学习类型:
具体特征(Conctrete Feature)
原始特征(Raw Features)
抽象特征(Abstract Feature)
other
1、根据不同的结果输出空间(Out Space),可以将机器学习问题分为:
二分类(binary Classification)问题
多分类(Multiclass Classification)问题
回归分析问题(regression)
结构学习问题:序列标记(Sequence Tagging)问题
其他更复杂的问题
2、数据标签(Label)的不同可以将机器学习问题划分为:
监督学习(Supervised)--分类(Classification)
无监督学习(Unsupervised)--聚类(clustering)
半监督学习(Semi-Supervised)
增强学习(Reinforcement Learning)--一种”困难“但是非常自然的方式进行学习
其他
3、不同协议(Protocol)区分机器学习类型:
批量(batch)学习--”填鸭式“(duck feeding)
线上(online)学习--”循序渐进式“(passive sequential)
主动(active)学习--”提问式“(question asking)
其他
4、根据不同的数据输入空间区分机器学习类型:
具体特征(Conctrete Feature)
原始特征(Raw Features)
抽象特征(Abstract Feature)
other
相关文章推荐
- 机器学习实战笔记之非均衡分类问题
- 斯坦福大学机器学习笔记——逻辑回归、高级优化以及多分类问题
- [台大机器学习笔记整理]机器学习问题与算法的基本分类&由霍夫丁不等式论证机器学习的可行性
- 机器学习基石笔记1——学习问题
- 机器学习基石学习笔记1 机器学习及其分类
- 分类问题-机器学习(machine learning)笔记(Andrew Ng)
- Coursera机器学习(Andrew Ng)笔记:回归与分类问题
- <学习html>第二天笔记-标签分类、关系;开发工具;文档类型;标签语义化;HTML标签;问题“图像标签代码语法无误,但是图像显示不出来”
- Stanford机器学习课程笔记——LR的公式推导和过拟合问题解决方案
- 吴恩达Coursera机器学习课程笔记-定义分类
- R语言机器学习笔记——垃圾邮件分类
- 【机器学习】从分类问题区别机器学习类型 与 初步介绍无监督学习算法 PAC
- 【机器学习 吴恩达】CS229课程笔记notes1翻译-Part II分类和logistic回归
- 【机器学习笔记之三】CART 分类与回归树
- 机器学习实战笔记-K近邻算法1(分类动作片与爱情片)
- Machine Learning Foundations(机器学习基石)笔记 第二节
- 林轩田-机器学习基石 课堂笔记(七) The VC Dimension
- 机器学习基石——笔记(1)
- 机器学习基石--学习笔记02--Hard Dual SVM
- python机器学习——数据的分类(knn,决策树,贝叶斯)代码笔记