根據機器學習的應用,一般說來,機器學習有三種算法:
監督式學習(Supervised Learning, SL)
監督學習是指原始數據中既有特徵值也有標籤值的機器學習。用輸入層的數據計算輸出層的值,然後對比標籤值計算誤差,再通過迭代找到最佳模型參數。所謂機器學習就是指對已知數據不斷迭代從而找到最佳參數的過程。
屬於監督式學習的算法有:KNN、迴歸模型,決策樹,隨機森林,K鄰近算法,邏輯迴歸、SVM等。
無監督式學習(Unsupervised Learning, UL)
與監督式學習不同的是,無監督學習中我們沒有需要預測或估計的目標變量(或標籤值)。無監督式學習是用來對總體對象進行分類的。它在根據某一指標將客戶分類上有廣泛應用。
屬於無監督式學習的算法有:關聯規則,K-means聚類算法等。
強化學習(Reinforcement Learning, RL)
這個算法可以訓練程序做出某一決定。程序在某一情況下嘗試所有的可能行動,記錄不同行動的結果並試着找出最好的一次嘗試來做決定。
屬於這一類算法的有馬爾可夫決策過程。