AI入门| 微软ATP带你认识“机器学习”模型分类

机器学习的三要素中，最核心的是模型。无论算法还是数据都是为获得模型服务的。

▍建议读者

在学习机器学习时，从模型函数入手，以数据处理、特征提取等知识为辅。通过推导模型的目标函数，来学习求解过程，并以此来学习算法。

▍机器模型分类

简单来说，机器机器学习模型可以分为两种：有监督的和无监督的。

有监督学习

上一期文章提到的关于员工工作年限（experience）和薪水（salary）的模型就是有监督的模型，每一个训练数据样例都有一个人工打上的标签。

有监督的模型可以分成多种类型，其中最常用的有回归模型和分类模型两种。

回归模型的预测结果是连续的，它输出的是一个范围内的连续型任意值；

分类模型的预测结果是离散的，是几个有限的域离散值中的一个。

垃圾邮件过滤器就是一种分类模型，在一封邮件进入系统后，垃圾邮件过滤器会对邮件进行判断，并给它打一个标签。这个标签只可能是“垃圾”或“不是垃圾”，不存在第三种情况，所以它的输出是有限个。

线性回归、逻辑回归、决策树、支持向量机、朴素贝叶斯分类器、隐马尔可夫模型、条件随机场等都是有监督的模型。

无监督学习

没有标签的训练数据被用于无监督学习。

无监督算法中最典型的一种是聚类。聚类是指把特征相同的一些样本聚集在一起。

实际上，在聚集之前，我们也不知道聚集的结果是什么，在聚集之后，我们仍然不知道聚集起来的是什么类别的样本。K均值和谱聚类都是无监督的聚类模型。