今天就和大家聊聊机器学习算法相关的知识，一起来看看吧！机器学习算法主要包括监督学习、非监督学习、半监督学习、迁移学习和强化学习。1.监督学习监督学习是机器学习中非常常见的一种机器学习类型。就是在输入和输出已知的情况下训练一个模型，并将输入映射到输出。特点：给定学习目标（如实际值、标签等）。根据目标结果是离散的还是连续的，监督学习可以分为分类和回归。1.1分类该类预测目标值是离散的。例如，预测是否会下雨。最后的结果只有两个，下雨或者不下雨。目的：根据历史结果预测新样本的分类结果。两个分类结果的任务称为二元任务；超过两个的称为多分类任务。常用算法：决策树、随机森林、K近邻算法、逻辑回归、支持向量机、人工神经网络。1.2回归该类预测目标值是连续的，典型的例子是预测某个房地产的价格走势。算法：线性回归，AdaBoosting等2.无监督学习无监督学习的特点是不需要考虑数据标注，而是根据模型不断进行自学习和巩固，最后通过自我总结来学习.学习模型主要包括聚类和降维。2.1聚类主要是指将物理或抽象对象的集合从相似的对象中形成多个类别的过程，可以理解为按照相似的原则进行分组。算法：常见的有K-means算法、BIRCH算法、DBSCAN算法。2.2降维对于高维数据高度依赖于系统资源和算法性能。降维就是在保留大部分重要信息的同时，对高维数据中不重要的信息进行处理。简单来说，就是一个由复杂到简单的过程。如果把复杂的问题尽可能简单化，处理起来就会容易很多。优点：节省空间，节省算法消耗的时间，减少系统资源消耗。算法：主成分分析算法（PCA）3.半监督学习一种结合监督学习和非监督学习的学习方法。半监督学习使用大量未标记数据和标记数据进行模式识别。半监督学习适用于少量标记样本和大量未标记样本，可以实现高精度预测。4.迁移学习迁移学习是指在另一个学习任务中重复使用预训练模型的学习方法。源域：现有知识；目标领域：要学习的新知识。5.强化学习（RL）RL又称强化学习、评价学习、强化学习，是机器学习的范式和方法论之一。强化学习的任务是让智能设备像人一样不断学习和尝试，然后在不同的环境中做出最理想的解决方案，强化持续决策的过程，通过不断的尝试找出最好的。最好的办法。案例：AlphaGo用强化学习算法打败世界冠军李世石，谷歌YouTube视频推荐算法等。
