上節(jié)課我們主要介紹了解決線性分類問題的一個簡單的方法：PLA。PLA能夠在平面中選擇一條直線將樣本數(shù)據(jù)完全正確分類。而對于線性不可分的情況，可以使用Pocket Algorithm來處理。本節(jié)課將主要介紹一下機器學習有哪些種類，并進行歸納。
一、Learning with Different Output Space Y
我們在上節(jié)課引入的銀行根據(jù)用戶個人情況判斷是否給他發(fā)信用卡的例子，這是一個典型的二元分類（binary classification）問題。也就是說輸出只有兩個，一般y={-1, +1}，-1代表不發(fā)信用卡（負類），+1代表發(fā)信用卡（正類）。
二元分類的問題很常見，包括信用卡發(fā)放、垃圾郵件判別、患者疾病診斷、答案正確性估計等等。二元分類是機器學習領域非常核心和基本的問題。二元分類有線性模型也有非線性模型，根據(jù)實際問題情況，選擇不同的模型。
除了二元分類，也有多元分類（Multiclass Classification）問題。顧名思義，多元分類的輸出多于兩個，y={1, 2, … , K}, K>2. 一般多元分類的應用有數(shù)字識別、圖片內(nèi)容識別等等。
二元分類和多元分類都屬于分類問題，它們的輸出都是離散值。二對于另外一種情況，比如訓練模型，預測房屋價格、股票收益多少等，這類問題的輸出y=R，即范圍在整個實數(shù)空間，是連續(xù)的。這類問題，我們把它叫做回歸（Regression）。最簡單的線性回歸是一種典型的回歸模型。
除了分類和回歸問題，在自然語言處理等領域中，還會用到一種機器學習問題：結(jié)構(gòu)化學習（Structured Learning）。結(jié)構(gòu)化學習的輸出空間包含了某種結(jié)構(gòu)在里面，它的一些解法通常是從多分類問題延伸而來的，比較復雜。本系列課程不會詳細介紹Structured Learning，有興趣的讀者可以自行對它進行更深入的研究。
簡單總結(jié)一下，機器學習按照輸出空間劃分的話，包括二元分類、多元分類、回歸、結(jié)構(gòu)化學習等不同的類型。其中二元分類和回歸是最基礎、最核心的兩個類型，也是我們課程主要介紹的部分。
二、Learning with Different Data Label yn
如果我們拿到的訓練樣本D既有輸入特征x，也有輸出yn，那么我們把這種類型的學習稱為監(jiān)督式學習（Supervised Learning）。監(jiān)督式學習可以是二元分類、多元分類或者是回歸，最重要的是知道輸出標簽yn。與監(jiān)督式學習相對立的另一種類型是非監(jiān)督式學習（Unsupervised learning）。非監(jiān)督式學習是沒有輸出標簽yn的，典型的非監(jiān)督式學習包括：聚類（clustering）問題，比如對網(wǎng)頁上新聞的自動分類；密度估計，比如交通路況分析；異常檢測，比如用戶網(wǎng)絡流量監(jiān)測。通常情況下，非監(jiān)督式學習更復雜一些，而且非監(jiān)督的問題很多都可以使用監(jiān)督式學習的一些算法思想來實現(xiàn)。
介于監(jiān)督式和非監(jiān)督式學習之間的叫做半監(jiān)督式學習（Semi-supervised Learning）。顧名思義，半監(jiān)督式學習就是說一部分數(shù)據(jù)有輸出標簽yn，而另一部分數(shù)據(jù)沒有輸出標簽yn。在實際應用中，半監(jiān)督式學習有時候是必須的，比如醫(yī)藥公司對某些藥物進行檢測，考慮到成本和實驗人群限制等問題，只有一部分數(shù)據(jù)有輸出標簽yn。
監(jiān)督式、非監(jiān)督式、半監(jiān)督式學習是機器學習領域三個主要類型。除此之外，還有一種非常重要的類型：增強學習（Reinforcement Learning）。增強學習中，我們給模型或系統(tǒng)一些輸入，但是給不了我們希望的真實的輸出y，根據(jù)模型的輸出反饋，如果反饋結(jié)果良好，更接近真實輸出，就給其正向激勵，如果反饋結(jié)果不好，偏離真實輸出，就給其反向激勵。不斷通過“反饋-修正”這種形式，一步一步讓模型學習的更好，這就是增強學習的核心所在。增強學習可以類比成訓練寵物的過程，比如我們要訓練狗狗坐下，但是狗狗無法直接聽懂我們的指令“sit down”。在訓練過程中，我們給狗狗示意，如果它表現(xiàn)得好，我們就給他獎勵，如果它做跟sit down完全無關的動作，我們就給它小小的懲罰。這樣不斷修正狗狗的動作，最終能讓它按照我們的指令來行動。實際生活中，增強學習的例子也很多，比如根據(jù)用戶點擊、選擇而不斷改進的廣告系統(tǒng)
簡單總結(jié)一下，機器學習按照數(shù)據(jù)輸出標簽yn劃分的話，包括監(jiān)督式學習、非監(jiān)督式學習、半監(jiān)督式學習和增強學習等。其中，監(jiān)督式學習應用最為廣泛。
三、Learning with Different Protocol f(xn,yn)
按照不同的協(xié)議，機器學習可以分為三種類型：
Batch Learning
Online
Active Learning
batch learning是一種常見的類型。batch learning獲得的訓練數(shù)據(jù)D是一批的，即一次性拿到整個D，對其進行學習建模，得到我們最終的機器學習模型。batch learning在實際應用中最為廣泛。
online是一種在線學習模型，數(shù)據(jù)是實時更新的，根據(jù)數(shù)據(jù)一個個進來，同步更新我們的算法。比如在線郵件過濾系統(tǒng)，根據(jù)一封一封郵件的內(nèi)容，根據(jù)當前算法判斷是否為垃圾郵件，再根據(jù)用戶反饋，及時更新當前算法。這是一個動態(tài)的過程。之前我們介紹的PLA和增強學習都可以使用online模型。
active learning是近些年來新出現(xiàn)的一種機器學習類型，即讓機器具備主動問問題的能力，例如手寫數(shù)字識別，機器自己生成一個數(shù)字或者對它不確定的手寫字主動提問。active learning優(yōu)勢之一是在獲取樣本label比較困難的時候，可以節(jié)約時間和成本，只對一些重要的label提出需求。
簡單總結(jié)一下，按照不同的協(xié)議，機器學習可以分為batch, online, active。這三種學習類型分別可以類比為：填鴨式，老師教學以及主動問問題。
四、Learning with Different Input Space X
上面幾部分介紹的機器學習分類都是根據(jù)輸出來分類的，比如根據(jù)輸出空間進行分類，根據(jù)輸出y的標記進行分類，根據(jù)取得數(shù)據(jù)和標記的方法進行分類。這部分，我們將談談輸入X有哪些類型。
輸入X的第一種類型就是concrete features。比如說硬幣分類問題中硬幣的尺寸、重量等；比如疾病診斷中的病人信息等具體特征。concrete features對機器學習來說最容易理解和使用。
第二種類型是raw features。比如說手寫數(shù)字識別中每個數(shù)字所在圖片的mxn維像素值；比如語音信號的頻譜等。raw features一般比較抽象，經(jīng)常需要人或者機器來轉(zhuǎn)換為其對應的concrete features，這個轉(zhuǎn)換的過程就是Feature Transform。
第三種類型是abstract features。比如某購物網(wǎng)站做購買預測時，提供給參賽者的是抽象加密過的資料編號或者ID，這些特征X完全是抽象的，沒有實際的物理含義。所以對于機器學習來說是比較困難的，需要對特征進行更多的轉(zhuǎn)換和提取。
簡單總結(jié)一下，根據(jù)輸入X類型不同，可以分為concetet, raw, abstract。將一些抽象的特征轉(zhuǎn)換為具體的特征，是機器學習過程中非常重要的一個環(huán)節(jié)。在《機器學習技法》課程中，我們再詳細介紹。
本節(jié)課主要介紹了機器學習的類型，包括Out Space、Data Label、Protocol、Input Space四種類型。
原文CSDN博客地址：
NTU林軒田機器學習基石課程學習筆記3 -- Types of Learning
注明：
文章中所有的圖片均來自NTU林軒田《機器學習基石》課程。
