Machine learning 机器学习中类别的用例

我开始学习机器学习的概念

我想知道下面的一些用例场景

分类

回归

群集

异常检测

降维

---

我甚至想知道上面提到的列表属于哪一类？（是在监督或非监督或强化中）

分类->将数据划分为已知输出类的类别。->监督任务

回归->输出数据连续->监督任务

聚类->将数据分成若干组->无监督任务

异常检测->从输入数据中找出一些不合适的数据点->不需要输出类标签->无监督任务

维度缩减->将高维度输入映射到低维度输入->不需要输出类标签->无监督任务

一般说明 您不应该将ML中的任务类型视为具有“受监督/无监督/…”标签的任务。这不是它的工作原理。你可以说，通常给定的任务是使用有监督/无监督学习来解决的，但这就是问题所在。在实践中，您可以生成带有任何任务标签的方法

实际答案 ML的这些部分最初定义得很好，但随着该领域的发展，它们中的许多被合并了，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），因此我强调我提到了每个问题的原始含义

分类

定义为查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，回答是谁）
• 药物发现（给我们一种化合物，我们回答它是否是药物）

学习类型：通常监督

回归

我们正在寻找一个映射到一个无限的数值，具有有效的排序，例如实数

现实生活中的例子：

• 根据用户的特征预测用户在我们商店的消费金额
• 预测下个月的用电量
• 预测股票价格

学习类型：通常监督

群集

通常定义为在数据中查找结构，而不访问此类结构的任何样本（稍后进行了许多修改，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，它们是否形成了一些可区分的恒星类型
• 鉴于用户在我们网站上的活动，我们是否可以找到不同的使用场景

学习类型：通常无监督

异常检测

给定一组“正常”观测值，构建模型回答“新观测值是正常的，还是异常的？”

现实生活中的例子：

• 我们有一个有效发动机参数的记录，需要一种方法来报警，因为它开始表现“怪异”（尽管我们过去不知道我们在寻找什么样的“怪异”）
• 我们从摄像机中记录了人们的日常行为，我们希望该方法能够在“发生了异常情况”时发出警报（但没有说明发生了什么）

学习类型：通常无监督

降维

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（如患者记录），并希望将其可视化（在平面上绘制）
• 我们有一个分类的问题，我们的方法失败了-我们需要降低维度来增加分数

学习类型：通常无监督

加固 上述所有都不能加强学习。强化学习可以应用于上述任何一种情况，如果我们只是有一些“环境”表明我们的方法是“好的”或“坏的”（因此，与其说“我希望将此图像分类为cat”，不如说“我看到您将此图像分类为平面，嗯……它不是！”）

---

换句话说，我们做任何任务，但我们确实有人判断我们的方法是好是坏，但他们并没有给出正确的答案。

这里是一个有点非典型的用例，我们发现了两个问题，一个环境问题和一个软件缺陷使得微服务的效率比需要的要低。

我需要一些实时使用cases@SravaniAnnepu实时的还是真实的生活？