经过之前的一些积累，终于有勇气开始进军机器学习了！说实话，机器学习 这个概念是我入行的最纯粹的原因，包括大学选专业、学习 Python 语言…这些有时间仔细梳理下经历再写，总之这个系列的文章就是我自学 机器学习 的笔记，各位看看就好，希望能为一些想入门但无从下手的小伙伴，提供一些帮助。另外我会采用通俗易懂的方式描述一些概念上的东西，我本人小白一枚，如果在这系列的文章中有什么错误，欢迎各路大神指正！在此谢过。

机器学习

所谓机器学习，就是让机器(特指计算机)具有像人类一样学习能力的技术，从海量数据(大数据)中寻找有价值的信息。所以我认为，机器学习的本质是数据挖掘技术。

比如 淘宝通过你的购买记录向你推荐可能感兴趣的商品；头条通过你的浏览记录向你推荐可能感兴趣的文章或视频……

机器学习的种类

根据数据训练方式的不同，机器学习分为 监督学习、无监督学习和强化学习 3 种学习类型，本文的目的就是用最朴素的语言描述三者之间的区别，以明确概念。

监督学习

监督学习是一个 举一反三 的过程，先由已标注正确的 训练集 进行训练，训练完成之后的“经验”称为模型，然后将未知的数据传入模型，机器即可通过“经验”推测出正确结果。

这么讲有些抽象，举个例子：

1.老师：1 个苹果 + 1 个苹果 = 2 个苹果
2.学生：1 个苹果 + 1 个苹果 = 2 个苹果
3.老师：1 个香蕉 + 1 个香蕉 = 2 个香蕉
4.学生：1 个香蕉 + 1 个香蕉 = 2 个香蕉
5.老师：1 个西瓜 + 1 个西瓜 = ？
6.学生：1 个西瓜 + 1 个西瓜 = 2 个西瓜

上边的例子中，学生通过总结第 1 步和第 3 步中，老师所传授的“苹果和香蕉”的经验，总结出了 “1 + 1 = 2”，所以，在第 5 步，老师没有给定答案的情况下，学生根据总结出的 “1 + 1 = 2”的经验，给出了 “1 个西瓜 + 1 个西瓜 = 2 个西瓜”推测。

此时，学生对应的是 机器，老师传授的“苹果和香蕉”的经验对应的是 训练集，学生总结出的 “1 + 1 = 2” 对应的是 模型 ，“1 个西瓜 + 1 个西瓜 = ？” 对应的是 未知数据 ，学生给出的 “1 个西瓜 + 1 个西瓜 = 2 个西瓜” 对应的是 正确结果。

通过上边的这个例子，我们就能了解了 监督学习的概念，监督学习有两个任务：回归和分类。

分类

分类 的概念很容易理解，通过 训练集 给出的分类样本，通过训练总结出样本中各分类的特征模型，再将位置数据传入特征模型，实现对未知数据的分类。

举个例子：

训练集：水果===>可生吃，酸酸甜甜的蔬菜===>不可生吃，涩涩的
未知数据：西瓜：可生吃，甜的
分类结果：西瓜===>水果
未知数据：白菜：不可生吃，涩涩的
分类结果：白菜===>蔬菜

由此我们明白了 分类 的概念。

回归

回归 可以理解为 逆向的分类 ，通过特定算法对大量的数据进行分析，总结出其中的个体具有代表性的特征，形成类别。

举个例子：

训练集：苹果：可生吃，甜的桔子：可生吃，酸的白菜：不可生吃，涩的茄子：不可生吃，涩的
回归结果：苹果、桔子：可生吃，酸酸甜甜的===>水果白菜、茄子：不可生吃，涩涩的===>蔬菜

由此我们明白了 回归 的概念，通过回归结果，我们可以对一个未知的东西进行分类。

Ps：上边的例子旨在简单举例说明分类和回归的概念，别跟我杠西红柿黄瓜这类东西是水果还是蔬菜。

无监督学习

无监督学习 本质上是一种统计手段(也可以理解为一种分类手段)，它没有明确目的的训练方式，你无法提前知道结果是什么，因此无须打标签。它的原理类似于 监督学习中的回归 ，但在回归结果中没有打标签。

举个例子：

训练集：苹果：可生吃，甜的桔子：可生吃，酸的白菜：不可生吃，涩的茄子：不可生吃，涩的
无监督学习结果：苹果、桔子：可生吃，酸酸甜甜的白菜、茄子：不可生吃，涩涩的

上述例子中我们可以看到，无监督学习只是根据训练集中训练数据特点的不同，将其分成了两个类，但每个类代表什么意思，不知道。因此我将无监督学习理解为一种 漫无目的的分类手段，首先分成几类不确定，每个分类的标签页不确定。基于无监督学习的这个特性，它常用的两个 分类算法 (或者说分类手段)是 降维和聚类。

降维

这里的 降维 和《三体》中的 “降维打击” 并非同一个概念，这里的降维，我的理解实质上是一种 去重过程。

比如说苹果和茄子都有 “圆的” 这个特征，香蕉和黄瓜都有 “长的” 这个特征，但这两个特征是 “水果” 和 “蔬菜” 两个分类中都包含的，可以认为是 “无用特征” 所以在分类过程中将其直接去除，一是影响分类结果，二是减少计算机的运行冗余。

聚类

简单来说，聚类 是一种自动化分类的方法，在监督学习中，你很清楚每一个分类是什么，但是聚类则不是，你并不清楚聚类后的几个分类每个代表什么意思。

就像上边例子中表述的无监督学习结果中，总结出了苹果、桔子都是可生吃、酸酸甜甜的，白菜、茄子都不可生吃、涩涩的，但机器只是将其分成了两类，具体这两类表示的什么东西，它是不知道的。

因此，无监督学习其实就是一个 没有感情的分类机器，需要人为对每个分类结果进行分析。

强化学习

强化学习 指的是计算机对没有学习过的问题做出正确解答的泛化能力，可以理解为 强化学习 = 监督学习 + 无监督学习。和监督学习一样，它也是需要人工介入的。

具体的流程可以用下边的例子理解一下：

训练集：可生吃，酸酸甜甜的===>水果不可生吃，涩涩的===>蔬菜
未知数据：苹果：可生吃，甜的桔子：可生吃，酸的白菜：不可生吃，涩的茄子：不可生吃，涩的猪蹄：来自动物，炖着吃贼香
分类结果：苹果、桔子===>水果白菜、茄子===>蔬菜猪蹄===>？？？
人工标注：来自动物，炖着吃贼香===>肉类
分类结果：苹果、桔子===>水果白菜、茄子===>蔬菜猪蹄===>肉类

上边例子的训练集中已经标注了水果和蔬菜的特征，当未知数据符合训练集中标注的特征(苹果、桔子、白菜、茄子)时，机器进行了正确的分类；当未知数据不符合训练集中标注的特征(猪蹄)时，机器无法判定这个数据的特征属于哪个类别，此时人工介入进行标注后，机器才能对这个未知数据(猪蹄)进行分类。

倘若人工不介入，又输入了大量未标注特征的数据时，这场 强化学习 则又变成了 无监督学习。

Ps：如此举例只是简单的个人理解，若有错误之处欢迎各路大神指正。

总结

无论是监督学习、无监督学习还是强化学习，都不是一种特定的算法，是一种思想，在遇到的具体问题中选择合适的学习方法有助于提高工作效率。欢迎在下方评论区交流，下篇文章再见。