机器学习的类型

因变量与自变量

与其他统计研究领域类似，机器学习基于对因变量和自变量的交叉分析。因变量（y） 是你希望预测的输出结果，而自变量（x） 是可能影响因变量（即输出）的输入因素。

机器学习的目标是找出一个或多个自变量（x）如何影响因变量（y）。

例如：为了预测房屋的价值，一种称为“监督学习”的机器学习框架会分析房屋特征（如到市中心的距离、房间数量、土地面积等）作为自变量，以及附近其他房屋的售价作为因变量之间的关系，从而构建一个预测模型。之后，只需将待估价房屋的特征（x）输入该模型，即可预测其价值（y）。

机器学习可分为三类：

• 监督学习
• 无监督学习
• 强化学习

监督学习

监督学习用于解析自变量与因变量之间已知的关系。这一过程涉及向机器提供包含多种特征（X）及其对应已知输出值（y）的样本数据。由于输入和输出均已被标记，这类数据集被称为“有标签数据”。算法通过挖掘数据集中的模式，建立一个模型，并依据有标签数据背后的规律来解释新数据。

无监督学习

在无监督学习中，因变量未知或未被标注，模型通过分析自变量之间的模式来生成新的输出。以聚类分析为例，可以通过将相似的数据点分组，发现普遍存在的模式，例如将拥有两居室公寓的郊区进行归类，这些区域通常具有较高的房产估值。而在降维任务中，无监督学习旨在生成比原始输入数据维度更少（即特征更少）的输出。

其他常见的无监督学习任务包括异常检测，例如：

• 识别欺诈性交易（或捕捉制造缺陷）
• 在将数据送入监督学习算法前，自动去除数据集中的离群值和复杂性

这些模型缺乏已知的输出观测值来进行验证和评估。无监督学习没有真实的正确答案，其预测结果相比监督学习更具主观性。

强化学习

强化学习是机器学习的第三类，也是最先进的一类，通常用于需要连续决策的任务，例如下棋或驾驶汽车。

强化学习与无监督学习相反：其输出（y）是已知的，但输入（X）未知。在这种学习方式中，输出被视为目标（例如赢得一局棋），然后通过试错式的暴力搜索方法寻找最优输入。随机输入数据被不断送入模型，并根据其对实现目标输出的贡献程度进行评分。

例如，在自动驾驶车辆中，能够避免碰撞的操作会被给予正向评分；同样，在下棋时，有助于避免失败的走法会获得奖励。随着时间推移，模型利用这些反馈不断优化输入选择，逐步提升达成目标输出的能力。