1.2.3 機器學習的分類

根據不同的劃分角度，可以將機器學習劃分為不同的類型。

（1）按任務類型劃分

機器學習模型按任務類型可以分為回歸模型、分類模型和結構化學習模型，具體說明如下。

1）回歸模型：又叫預測模型，輸出的是一個不能枚舉的數值。

2）分類模型：又分為二分類模型和多分類模型。常見的二分類問題有垃圾郵件過濾，常見的多分類問題有文檔自動歸類。

3）結構化學習模型：此類型的輸出不再是一個固定長度的值，如圖片語義分析輸出是圖片的文字描述。

（2）按方法劃分

機器學習按方法可以分為線性模型和非線性模型，具體說明如下。

1）線性模型：雖然比較簡單，但是其作用不可忽視。線性模型是非線性模型的基礎，很多非線性模型都是在線性模型的基礎上變換而來的。

2）非線性模型：又可以分為傳統機器學習模型（如SVM，KNN，決策樹等）和深度學習模型。

（3）按學習理論劃分

機器學習模型可以分為有監督學習、半監督學習、無監督學習、遷移學習和強化學習，具體說明如下。

1）訓練樣本帶有標簽時是有監督學習。

2）訓練樣本部分有標簽、部分無標簽時是半監督學習。

3）訓練樣本全部無標簽時是無監督學習。

4）遷移學習就是把已經訓練好的模型參數遷移到新的模型上，以幫助新模型訓練。

5）強化學習是一個學習最優策略（Policy），可以讓本體（Agent）在特定環境（Environment）中，根據當前狀態（State）做出行動（Action），從而獲得最大回報（Reward）。強化學習和有監督學習最大的不同是，每次的決定沒有對與錯，只是希望獲得最多的累積獎勵。