Los métodos más utilizados en el aprendizaje automático son:
(1) Aprendizaje inductivo
Aprendizaje inductivo simbólico: el aprendizaje inductivo simbólico típico incluye el aprendizaje de ejemplos y el aprendizaje de árboles de decisión.
Aprendizaje por inducción de funciones (aprendizaje por descubrimiento): el aprendizaje por inducción de funciones típico incluye el aprendizaje de redes neuronales, el aprendizaje de ejemplos, el aprendizaje por descubrimiento y el aprendizaje estadístico.
(2) Aprendizaje deductivo
(3) Aprendizaje analógico: el aprendizaje por analogía típico incluye el aprendizaje de casos (ejemplos).
(4) Aprendizaje analítico: el aprendizaje analítico típico incluye el aprendizaje de explicaciones y el aprendizaje de macrooperaciones.
Información ampliada:
Algoritmos comunes de aprendizaje automático:
1. Algoritmo de árbol de decisión
El árbol de decisión y sus variantes son un tipo de algoritmo que El espacio de entrada se divide en diferentes regiones, y cada región tiene parámetros independientes para el algoritmo. El algoritmo del árbol de decisión hace un uso completo del modelo de árbol. El nodo raíz del nodo hoja es una regla de ruta de clasificación, y cada nodo hoja simboliza una categoría de juicio. Primero divida las muestras en diferentes subconjuntos y luego realice la segmentación y la recursión hasta que cada subconjunto obtenga muestras del mismo tipo. Comenzando desde el nodo raíz y probando en el subárbol y luego en el nodo hoja, se puede obtener la categoría predicha. Este método se caracteriza por su estructura simple y alta eficiencia de procesamiento de datos.
2. Algoritmo Naive Bayes
El algoritmo Naive Bayes es un algoritmo de clasificación. No es un algoritmo único, sino una serie de algoritmos, todos los cuales tienen el mismo principio, es decir, cada característica que se clasifica es independiente del valor de cualquier otra característica. El clasificador Naive Bayes considera que cada una de estas "características" contribuye con la probabilidad de forma independiente, independientemente de cualquier correlación entre las características. Sin embargo, las características no siempre son independientes, lo que a menudo se considera un inconveniente del algoritmo Naive Bayes. En resumen, el algoritmo Naive Bayes nos permite utilizar la probabilidad para predecir una clase dado un conjunto de características. En comparación con otros métodos de clasificación comunes, el algoritmo Naive Bayes requiere poca capacitación. El único trabajo que se debe hacer antes de hacer una predicción es encontrar los parámetros de la distribución de probabilidad individual de la característica, lo que generalmente se puede hacer de manera rápida y determinista. Esto significa que el clasificador Naive Bayes puede funcionar bien incluso para puntos de datos de alta dimensión o una gran cantidad de puntos de datos.
3. Algoritmo de máquina de vectores de soporte
La idea básica se puede resumir de la siguiente manera: primero, se utiliza una transformación para hacer que el espacio sea de alta dimensión. Por supuesto, esta transformación no es lineal. Luego, en El nuevo espacio complejo se toma la superficie de clasificación lineal óptima. La función de clasificación obtenida de esta manera tiene una forma similar al algoritmo de red neuronal. La máquina de vectores de soporte es un algoritmo representativo en el campo del aprendizaje estadístico, pero es muy diferente de la forma de pensar tradicional: ingresa espacio y aumenta la dimensión para simplificar el problema y reducirlo a un problema de solución clásico linealmente separable. Las máquinas de vectores de soporte se aplican a diversos problemas de clasificación, como el reconocimiento de spam y el reconocimiento facial.
Materiales de referencia: Enciclopedia Baidu - Aprendizaje automático (múltiples campos y temas interdisciplinarios)