[3] 加强进修 (reinforcement learning)

加强进修是一个交互进修的过程，平日用马尔可夫决定计划过程来描述，其核心在于打分机制。以下棋为例子进行解释，每个棋局表示一个状况，在当缁ご态有不合的下法，即下一?棋子应当若何走，每一种策略都邑将当缁ご态转换到下一状况，假设为x1，x2，…，xn，对于每一个转换造成的后不雅我们赐与一个分数，分数注解了赢的可能性，那么鄙人棋过程以贪婪的策略选择分数最高的策略。

[4] 集成进修 (ensemble learning)

集成进修的核心思惟是将多个弱的分类器集合成一个强的分类器。打个比方，小明要去看病，看是否发烧，为了更精确，小明看了5个大年夜夫，个中有4个大年夜夫说小明没有发烧，只有1个大年夜夫说小明发烧了，综合来看，如不雅每个大年夜夫各有一票，最后少数服大年夜多半，小明应当是没有发烧。

在机械进修中也是如斯，我们平日欲望将多个分类器集合起来，综合各个分类器的结不雅作出最后的猜测。最简单的就是投标机制，少数服大年夜多半。假设练习有k个分类器，对于随便率性实例，同时输入到k个分类器中，获取k个猜测结不雅，根据少数服大年夜多半的原则对实例进行分类。

[5] 模型选择 (model selection)

综上所述，模型选择过程中推敲的偏向重要有两个：猜测结不雅的短长(比如精确率)和模型的复杂程度。

[6] 特点选择 (feature selection)

如图1的例子，患者是否患有癌症的分类问题，我们推敲肿瘤的大年夜小和肿瘤数量两个特点;如图2例子，房价的猜测我们推敲房子大年夜小的特点。特点的短长，以及与目标的相干程度都在很大年夜程度上影响了模型进修的效不雅。如不雅特点不足，或者与目标相干不大年夜，进修出的模型很轻易欠拟合。如不雅无关的特点过多会引起维度灾害，影响进修过程的效力。深度进修的效不雅好，是因为其隐蔽层对特点具有很好的抽霞咀用。是以在进行模型进修的过程中，特点的选择也是很重要的课题。常用的特点选择办法有PCA，即主成分分析。

【编辑推荐】

1. 一种基于机械进修的主动化鱼叉式收集垂纶思路
2. 我是若何用机械进修技巧赞助HR省时光的
3. 大年夜话“人工智能、数据科学、机械进修”--综述
4. 干货｜在机械进修中若何应对不均衡分类问题？
5. 机械进修中轻易犯下的错

【义务编辑：武晓燕 TEL：（010）68476606】

　　推荐阅读

　　Log：被BigData遗忘的奠基者

Log是关系数据库对计算机行业的巨大年夜供献。在大年夜数据时代，Log更是基本技巧之一。然而在大年夜家热烈评论辩论GFS, NoSQL，甚至Paxos， LSM tree等词语的时刻，Log这个基本技巧以及>>>详细阅读

本文标题：机器学习从入门到精通

地址：http://www.17bianji.com/lsqh/35093.html

 1/2    1