machine-learning - 机器学习中类别的用例

Question

我开始学习机器学习的概念。

我想了解以下一些用例场景

1. 分类
2. 回归
3. 聚类
4. 异常检测
5. 降维

我什至想知道上面提到的列表属于哪个类别？(是有监督的、无监督的还是强化的)

Answer 1

一般说明

您不应该将 ML 中的任务类型视为分配了“监督/无监督/...”标签的任务。事情不是这样的。您可以说通常给定的任务是使用监督/无监督学习来解决的，但这就是这样。您可以生成具有任何实践任务标签的方法。

实际答案

ML 的这些部分最初定义得很明确，但随着该领域的进展，其中许多部分合并了，现在我们有更多类型的问题(如半监督学习、弱监督分类、表示学习)，所以我强调我指的是每个的原始含义

Classification

定义为寻找从对象到有限类集的映射的问题。通常每个对象只有一个类(但也有多个类的泛化)。

现实生活中的例子:

• 人脸识别(给我们一张脸并回答是谁)
• 药物发现(我们得到一种化合物，我们回答它是否是药物)

学习类型:通常监督

Regression

我们正在寻找到具有有效顺序的无限数值的映射，例如实数。

现实生活中的例子:

• 根据用户的特征预测他会在我们的商店花多少钱
• 预测下个月的耗电量
• 预测股票价格

学习类型:通常监督

Clustering

通常定义为在数据中查找结构，无需访问该结构的任何样本(后来进行了许多修改，例如约束聚类、弱监督聚类)

现实生活中的例子:

• 给定一组恒星图像，它们是否形成一些可区分的恒星类型？
• 根据我们网站上的用户事件 - 我们是否可以找到可区分的使用场景？

学习类型:通常无监督

Anomaly detection

给定一组“正常”观察结果，构建一个模型来回答“新观察结果是正常的，还是异常？”

现实生活中的例子:

• 我们记录了有效的发动机参数，并且需要一种方法来发出警报，因为它开始表现“怪异”(即使我们过去不知道我们正在寻找什么样的“怪异”)
• 我们有普通人行为的摄像头记录，我们希望有一种方法可以发出警报，因为“正在发生不寻常的事情”(没有具体说明发生了什么)

学习类型:通常无监督

Dimension reduction

这只是一个预处理步骤。给定高维数据，我们寻求可用于其他任务的低维表示。

现实生活中的例子:

• 我们有一组高维数据(例如患者记录)并希望将其可视化(在平面上绘制)
• 我们遇到了分类问题，我们的方法失败了 - 我们需要降低维度来提高分数

学习类型:通常无监督

强化

以上都不是强化学习。强化学习可以应用于上述任何一个，如果我们只是有一些“环境”表明我们的方法正在做“好”或“坏”(所以而不是说“我希望这张图像被分类为猫”，它只是说“我看到你将此图像分类为飞机，嗯......它不是!”)。

换句话说 - 我们执行任何任务，但我们确实有人判断我们的方法是好是坏，但他们不给出正确答案。