機器學(xué)習(xí)通常包括監(jiān)督學(xué)習(xí)、非監(jiān)督學(xué)習(xí)、半監(jiān)督學(xué)習(xí)和強化學(xué)習(xí)四種訓(xùn)練方式。

1、自監(jiān)督學(xué)習(xí)（Self-supervised Learning）

監(jiān)督學(xué)習(xí)是使用已知正確的答案的示例來訓(xùn)練網(wǎng)絡(luò)。由于網(wǎng)絡(luò)在學(xué)習(xí)的過程中不僅有訓(xùn)練數(shù)據(jù)，還有訓(xùn)練結(jié)果（標(biāo)簽），因此訓(xùn)練的效果通常不錯。

學(xué)習(xí)技術(shù)：分類（classification）和回歸(regression)

2、無監(jiān)督學(xué)習(xí)（Unsupervised Learning）

無監(jiān)督學(xué)習(xí)是指只給網(wǎng)絡(luò)訓(xùn)練數(shù)據(jù)，不給標(biāo)簽，因此網(wǎng)絡(luò)無法準(zhǔn)確知道哪些數(shù)據(jù)具有哪些標(biāo)簽，只能憑借強大的計算能力分析數(shù)據(jù)的特征，從而得到一定的成果，通常是得到一些集合，集合內(nèi)的數(shù)據(jù)在某些特征上相同或相似。

學(xué)習(xí)技術(shù)：自編碼（Autoencoding）、主成分分析（Principal components analysis, PCA）、隨機森林（Random forests）和K均值聚類（K-means clustering）

3、半監(jiān)督學(xué)習(xí)（Semi-supervised Learning）

半監(jiān)督學(xué)習(xí)在訓(xùn)練階段結(jié)合了大量的未標(biāo)記的數(shù)據(jù)和少量有標(biāo)簽的數(shù)據(jù)。其基本規(guī)律是：數(shù)據(jù)的分布必然不是完全隨機的，通過一些有標(biāo)簽數(shù)據(jù)的局部特征，以及更多的沒標(biāo)簽數(shù)據(jù)的整體分布，就可以得到可以接受甚至是非常好的分類結(jié)果。

4、強化學(xué)習(xí)（Reinforcement Learning）

強化學(xué)習(xí)本質(zhì)是解決決策(decision making)問題，即自動進行決策，并且可以做連續(xù)決策。

它主要包含四個元素：代理（Agent）、環(huán)境狀態(tài)（Environment）、行動（Action）、獎勵（reward），強化學(xué)習(xí)的目標(biāo)就是獲得最多的累計獎勵。

具體流程：Agent觀察Environment，做出Action，這個Action會對Environment造成一定影響和改變，繼而Agent會從新的環(huán)境中獲得Reward。循環(huán)上述步驟。Agent學(xué)習(xí)的目標(biāo)就是使得期望的回報（reward）最大化。

難點：Reward是比較難以獲得的，而Agent就是依靠Reward來進行學(xué)習(xí)，進行自身策略的調(diào)整。

注：State指的是Agent觀察到的Environment的狀態(tài)，不是指machine本身的狀態(tài)。

舉例：機器人把水杯打翻了，人類說“不能這么做”，機器人獲得人類的這個負向反饋，然后機器人觀察到水杯打翻的狀態(tài)，采取了拖地的行為，獲得了人類“謝謝”的正向反饋。

5、區(qū)別

強化學(xué)習(xí)和監(jiān)督學(xué)習(xí)的區(qū)別：

監(jiān)督學(xué)術(shù)好比在你學(xué)習(xí)的時候，有一個導(dǎo)師在旁邊指點，他知道怎么做是對的，怎么做事錯的。但是在實際問題中，不可能有一個導(dǎo)師知道所有可能的結(jié)果。

強化學(xué)習(xí)會在沒有任何標(biāo)簽的情況下，通過先嘗試做出一些行為得到一個結(jié)果，通過這個結(jié)果是對還是錯的反饋，調(diào)整之前的行為，這樣不斷地調(diào)整，算法能夠?qū)W習(xí)到在什么情況下選擇什么樣的行為可以得到最好的結(jié)果。

• 兩種學(xué)習(xí)方式都會學(xué)習(xí)出輸入到輸出的一個映射，監(jiān)督學(xué)習(xí)得到是之間的關(guān)系，可以告訴算法什么樣的輸入對應(yīng)著什么樣的輸出；強化學(xué)習(xí)得到的是給機器的 反饋（reward function），即用來判斷這個行為的對錯。

• 強化學(xué)習(xí)面對的輸入總是在變化，每當(dāng)算法做出一個行為，它影響下一次決策的輸入，而監(jiān)督學(xué)習(xí)的輸入是獨立同分布的。

• 探索（exploration）會嘗試很多不同的事情，看他們是否比以前嘗試過得更好；

  開發(fā)（exploitation）會嘗試過去經(jīng)驗中最有效的行為。

  通過強化學(xué)習(xí)，一個Agent可以在探索與開發(fā)之前作出權(quán)衡，并且選擇一個最大的回報；而一般監(jiān)督學(xué)習(xí)就只是開發(fā)。

強化學(xué)習(xí)與無監(jiān)督學(xué)習(xí)的區(qū)別：

無監(jiān)督學(xué)習(xí)不是學(xué)習(xí)輸入到輸出的映射，而是模式。例如在向用戶推薦新聞文章的任務(wù)中，無監(jiān)督學(xué)習(xí)會找到用戶先前已經(jīng)閱讀過的類似的文章并向他們推薦其一；而強化學(xué)習(xí)將通過向用戶先推薦少量的新聞，并不斷獲得來自用戶的反饋，最后構(gòu)建用戶可能會喜歡的文章的“知識圖”。

總結(jié)

以上是生活随笔為你收集整理的机器学习几种训练方式的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。