都有哪些具体分类？项目的流程是怎样？

标，主要可以分为三类：回归问题、分类问题、排序问题。

• 回归问题：解决的是目标是连续性变量的问题。比如想根据身高预测体重，体重就是一个连续性变量。
• 分类问题：解决的是目标是离散的标签的问题。比如预测一个人是男还是女。
• 排序问题：模型输出的是经过排序的对象列表。

(2)按照训练数据的特性分类

上文提到了，进行机器学习是需要训练数据为基础的(不然机器没法学习呀)。按照训练数据的特性，主要分为以下两类：

• 有监督学习：通过已有的训练样本去训练得到一个最优模型，再利用这个模型将所有的输入映射为相应的输出，对输出进行简单的判断从而实现预测和分类的目的，也就具有了对未知数据进行预测和分类的能力。有监督算法常见的有：线性回归算法、BP神经网络算法、决策树、支持向量机、KNN等。
• 无监督学习：训练样本的标记信息未知，目标是通过对无标记训练样本的学习来揭示数据的内在性质及规律，为进一步的数据分析提供基础，此类学习任务中研究最多、应用最广的是"聚类"，聚类目的在于把相似的东西聚在一起，主要通过计算样本间和群体间距离得到。深度学习和PCA都属于无监督学习的范畴。无监督算法常见的有：密度估计、异常检测、层次聚类、EM算法、K-Means算法、DBSCAN算法等。

(3)按照模型的复杂程度分类

按照模型的复杂度，主要分为两类：线性模型和非线性模型。

• 线性模型：决策边界为直线。例如逻辑回归模型。
• 非线性模型：决策边界为非直线。例如神经网络模型。

(4)按照模型功能分类

按照模型的功能来分类，主要分为判别模型与生成模型。

• 判别模型：由数据直接学习决策函数f(x)或条件概率分布P(y|x)进行预测的模型，其关心的是对给定的输入x,应该预测什么样的输出y。常见的k近邻法、感知机、决策树、逻辑回归、线性回归、最大熵模型。
• 生成模型：由数据学习输入和输出联合概率分布P(x,y)，然后求出后验概率分布P(y|x)进行预测的模型。常见的生成模型朴素贝叶斯、隐马尔可夫(em算法)。

03机器学习的基本流程

（编辑：宿州站长网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!