Classification 機器學習的分類

在整個學習的 Model 中針對控制變因的種類區分定義其特性。

以提供不同 y_n 形式區分的學習方式

• Supervised 監督式, 提供匹配的問題與解答來教學 (其他方式的基礎)
• Unsupervised 分群的問題, 不提供 y_n
• Semi-supervised 數量多無法窮舉時, 部分標記剩餘透過機器學習分類
• Reinforcement 單筆單筆的告知系統反應是 好 或是 不好, 不一定精確知道其輸入對應的輸出為何, 但有輔助判定的資訊

以提供資料方式區分的種類

• Batch 成批的資料訓練
• Online, sequentially 一個一個的逐步改善
• Active, sequentially 機器主動的方式來自動挑出盲點 (應用於標記資料需要高成本)

以資料內容區分的種類

• Concrete Features 具體有關聯性的特徵 (需有 domain knowledge)
• Raw Features 通常需要人或機器建立、抽取出具體的特徵, 以避免原始資料對於問題過於抽象
• Abstract Features 輸入資料完全不具任何意義, 同 raw features 一樣需要建立出特徵