[人工智能]统计学习分类

学习内容：统计学习分类

• 监督学习
• 无监督学习
• 强化学习（后续会介绍）

监督学习：

概述：从标注数据中学习预测模型的机器学习问题。标注数据表示输入输出的对应关系，预测模型对给定的输入产生相应的输出。
本质：学习输入到输出的映射的统计规律

输入空间、特征空间和输出空间

输入空间与输出空间可以是有限的元素集合，也可以是不同的空间但。但通常输出空间远远小于输入空间。

• 实例：每个具体输入。通常由特征向量(feature vector)表示
• 特征空间： 所有特征向量存在的空间（每一个维度对应一个特征）这里可以想象成数据的（列）

字母表示

• $X$：输入变量
• $Y$：输出变量
• $x$ ：输入变量的取值 记作：
  $x={\left(x^{(1)},x^{(2)},?,x^{(i)},?,x^{(n)}\right)}^{\mathrm{T}}$
  $x^{(i)}$表示$x$的第$i$个特征
  注：$x^{(i)}$与$x_i$不同，常用$x_i$表示多个输入变量中第$i$个变量
  即：$x_i={\left(x_i^{(1)},x_i^{(2)},?,x_i^{(n)}\right)}^{\mathrm{T}}$
• 训练集
  T = { ( x 1 , y 1 ) , ( x 2 , y 2 ) , ? ? , ( x N , y N ) } T=\left\{\left(x_{1}, y_{1}\right),\left(x_{2}, y_{2}\right), \cdots,\left(x_{N}, y_{N}\right)\right\} T={(x1?,y1?),(x2?,y2?),?,(xN?,yN?)}
• 输入与输出变量均为连续的预测问题称为：回归问题
• 输出变量为有限个离散变量的预测问题称为：分类问题
• 输入与输出变量均为变量序列的预测问题称为：标注问题

监督学习形式化

• 标注训练数据集往往是由人工给出
  1.通过给定数据集进行训练得到一个模型
  2.预测系统对于给定的测试集样本中被输入$x_{N+1}$
  3.由模型$y_{N+1}$给出对应的输出值
  

无监督学习

概述：从无标注的数据中学习预测模型的机器学习问题。预测模型表示数据的类别、转换或概率。

• 本质：学习数据中的统计规律或者潜在结构
• 无标注数据：自然得到的数据
  在这里可以简单想象一下模型的预测结果是没有数据进行对照的。
  

按模型分类

• 概率模型与非概率模型
  监督学习中概率模型是生成模型，非概率模型是判别模型
• 线性模型与非线性模型
• 参数化与非参数化模型
  参数化模型假设模型参数维度固定，模型可以由有限的参数完全刻画
  非参数模型维度不固定

按算法分类

按技巧分类