机器学习的分类

按"训练数据有没有标注"以及"学习目标是什么",机器学习可以分成几大类。搞清分类,选算法就不会懵。

一、监督学习(Supervised Learning)

特征:训练数据有标签(知道正确答案)。

比喻:老师给你一堆"题目 + 标准答案",让你学会做题。

典型任务:

• 分类(输出是离散的类别)
• 回归(输出是连续的数值)

3 个例子:

1. 垃圾邮件分类(输入邮件文本,输出"垃圾/正常"二选一)
2. 房价预测(输入面积/位置/楼层,输出具体价格)
3. 图像识别(输入图片像素,输出"猫/狗/鸟"标签)

常用算法:线性回归、逻辑回归、决策树、SVM、随机森林、XGBoost、神经网络

二、无监督学习(Unsupervised Learning)

特征:训练数据没有标签(只有输入,没有标准答案)。

比喻:老师给你一堆题,没答案,让你自己找规律。

典型任务:

• 聚类:把相似的数据归成几堆
• 降维:把高维数据压成 2D/3D 方便可视化
• 异常检测:找出"长得不一样"的数据点

3 个例子:

1. 用户分群(电商把用户分成"高频/低频/价格敏感"等)
2. 新闻主题归类(没有预定义主题,自动发现)
3. 信用卡异常交易检测(找"长得奇怪"的交易)

常用算法:K-Means、层次聚类、DBSCAN、PCA、t-SNE、自编码器

三、半监督学习(Semi-supervised Learning)

特征:少量有标签 + 大量无标签。

现实里给数据打标签很贵(要请人标注),无标签的数据却很便宜(直接爬)。半监督学习就是用一点点带标签的数据"撬动"大量无标签数据。

例子:医学影像——医院有 100 张标注好的 CT 片(医生花了几周),但有 10 万张未标注的。

四、强化学习(Reinforcement Learning)

特征:没有"输入-输出"对,而是智能体在环境里试错,做对了给奖励,做错了给惩罚。

比喻:训练小狗做动作,做对了给零食,做错了没奖励。

3 个例子:

1. AlphaGo 下棋(每步棋的"对错"没有立即反馈,要到终局才知道输赢)
2. 自动驾驶(撞墙了就是负奖励,安全行驶就是正奖励)
3. 游戏 AI(《王者荣耀》《Dota 2》顶级 AI 都是强化学习训练的)

核心思想:智能体在状态 s 选择动作 a,环境返回新状态 s' 和奖励 r,智能体通过最大化长期累计奖励来学习策略。

四象限速查表

类型	数据	目标	代表算法
监督学习	有标签	预测	线性回归、SVM、神经网络
无监督学习	无标签	发现结构	K-Means、PCA
半监督学习	部分有标签	预测	自训练、协同训练
强化学习	无静态数据	最大化奖励	Q-Learning、PPO

小结

• 监督学习 = 有标准答案,无监督学习 = 没标准答案
• 强化学习是"和环境互动拿奖励"的范式,跟前两类完全不同
• 实际项目里,监督学习占了 80% 以上的工业落地场景

练习思考

1. 给"预测明天北京的最高气温"分个类——它属于哪种学习?为什么?
2. 为什么强化学习不能简单地归到监督/无监督?
3. 在你熟悉的领域(教育、金融、医疗...),各想一个监督、无监督、强化的例子。