Python機器學習筆記（二）：機器學習的三種演算法模型

依照演算法模型是否有針對數據集裏，事先特別註明的「標籤」結果，自我學習對該「標籤」的預測能力，可將機器學習略分為三種模型類型：監督式學習（supervised learning）、非監督式學習（unsupervised learning）及強化學習（reinforcement learning）。

1.監督式學習

監督式學習的主要目的，是從被貼上「標籤」的數據集裏進行學習，並導出模型，而這個模型可讓我們對還沒見過的或未來的數據，做出預測。

我們可再依「標籤」是為離散、無序的值，或是一個連續值，分為以下二種子類型：

（1）分類（classification）

分類學習的目標，是基於過去觀測到的分類類別，來預測新數據的類別，這些分類標籤通常為離散、無序的值。

以學習筆記（一）提到的偵測信用卡詐欺交易為例，其即是典型的二元分類學習。演算法透過對過去信用卡交易的學習，訂出規則，以便區分兩個可能的標籤類別：正常信用卡交易與信用卡詐欺交易。

（2）迴歸（regression）

若被學習的「標籤」是一個連續值，則可運用迴歸統計方法來訓練模型。最典型的實務應用，是對未來經濟成長率、股票價格這類經濟、財務數據的預測。

2.非監督式學習

顧名思義，非監督式學習就是事先不對數據集貼上「標籤」，其目的是在事先不清楚數據的資料結構前提下，探索數據的結構，進而提取有用的資訊。非監督式學習也可再分為二種子類型：

（1）集群（cluster）

集群是一種「探索式數據分析」（exploratory data analysis,EDA）技術，它允許我們組織一堆資訊到一個有意義的子集群中，而無需任何要對該資料集事先了解的知識。

例如，我們可針對客戶數據集進行集群分組，如此一來，就可針對不同的客戶群，依照他們的特性，量身定做專屬的行銷方案。

（2）維度降低（dimenension reduction）

維度降低是個比較抽象的概念。通常數據集裏的每筆紀錄，通常帶有大量測量項目，以客戶資料為例，一筆客戶紀錄，可能包含有姓名、性別、身份證字號、地址、電話、消費日期、消費金額、購買商品等內容，一個內容，我們可稱為1個維度。若有20項內容，那就有20個維度。維度降低能將上述的數據集的多項內容壓縮到一個較小維度（如2個特徵集）上，卻依然保有大多數相關資訊的子空間中，如此可帶來以下二種好處：

(a)由於數據集有時多達數百萬筆紀錄，此舉可大幅降低演算法模型學習時的系統資源耗能。

(b)可運用在數據視覺化上。以上述客戶紀錄為何，我們很難以一個單一圖形來呈現數據集的特性，但經維度降低後，一個高維度的特徵集，可被投影到一維、二維、或者三維的特徵空間，然後利用2D或3D圖形來視覺化數據，就樣比較方便向老闆或客戶做簡報，並抓到數據集主要特性。

3.強化學習

強化學習也是針對「標籤」進行學習，但這時標籤不是一個恆真的事實，而是一個針對特定行動所觀測到的一個測量「函數」，而「函數」值則會與環境互動而改變。

以運用強化學習的下棋引擎演算法為例。「贏」與「輸」是下棋演算法模型要學習的「標籤」類別，但下每一步棋，不必然會產生「贏」或「輸」的確定結果，其結局不僅與自己接下來走的棋步有關，也與對手所下的棋步有關。強化學習，就是基於自己當下所走的棋步（即時回饋）與自己及對手接下來下的棋步（延遲回饋），從一連串的移動步驟來學習最終要達成的目標：贏。