第5课：机器学习的基本类型

一、课程信息课程主题机器学习的基本类型适合对象人工智能零基础学习者预计学习时长2小时学习方式建议先理解“有没有标准答案”再理解“要解决什么任务”二、学习目标学完本课后你应该能够区分监督学习、无监督学习和强化学习。理解分类、回归、聚类分别解决什么问题。能判断常见AI任务属于哪种学习方式。能用生活案例解释不同机器学习类型。初步理解不同学习方式适合的应用场景和局限。三、课程导入机器学习不止一种学法前面几课我们已经知道机器学习是让机器从数据中总结规律。但机器学习并不是只有一种方式。不同任务的数据条件不同学习目标也不同。例如有些任务有明确答案例如“这张图片是猫还是狗”。有些任务没有明确答案例如“把相似用户自动分组”。有些任务需要在行动中不断试错例如“游戏AI如何获得更高分”。这就对应了机器学习中的几种基本类型监督学习、无监督学习、强化学习本课会用生活案例解释这些概念帮助你建立清晰框架。四、先看一个总览机器学习的基本类型可以先这样理解类型是否有标准答案学习方式生活类比监督学习有根据带答案的样本学习老师批改作业无监督学习没有明确标准答案自己发现数据中的结构自己整理书架强化学习没有直接答案但有奖励和惩罚通过试错学习策略训练宠物或玩游戏升级需要注意监督学习、无监督学习、强化学习是“学习方式”分类、回归、聚类是更具体的“任务类型”。后面会分别讲清楚。五、监督学习有标准答案的学习1. 什么是监督学习监督学习是最常见的机器学习类型之一。它的特点是训练数据中不仅有输入还有对应的正确答案。这里的正确答案通常叫“标签”。例如输入数据标签一张猫的图片猫一张狗的图片狗一封广告邮件垃圾邮件一封工作邮件正常邮件一套房屋信息成交价格模型通过这些带答案的数据学习输入和答案之间的关系。2. 生活类比老师批改作业监督学习像学生做有答案的练习题。过程是学生做题。老师给出正确答案。学生发现自己哪里错了。学生调整解题方法。下次遇到类似题目做得更好。机器学习中的模型也是类似过程模型预测 → 对比正确标签 → 发现误差 → 调整模型 → 再次预测3. 监督学习适合什么问题监督学习适合有历史数据和明确答案的问题。例如垃圾邮件识别猫狗图片识别房价预测用户是否会流失评论是好评还是差评贷款申请是否有风险商品销量预测4. 监督学习需要什么条件监督学习通常需要足够多的样本清晰准确的标签数据和真实场景接近明确的预测目标如果标签质量差模型就会被错误答案误导。例如把正常邮件大量标成垃圾邮件模型就可能误伤重要邮件。六、监督学习中的分类问题1. 什么是分类分类是监督学习中非常常见的一类任务。它要解决的问题是判断一个对象属于哪一类。分类的输出通常是类别。例如猫 / 狗垃圾邮件 / 正常邮件好评 / 差评高风险 / 低风险通过 / 不通过2. 分类问题的例子任务输入输出类别垃圾邮件识别邮件内容垃圾邮件 / 正常邮件情感分析用户评论好评 / 中评 / 差评图片识别图片猫 / 狗 / 汽车 / 人风险识别交易记录正常 / 可疑疾病风险提示检查数据高风险 / 低风险3. 二分类和多分类如果只有两个类别叫二分类。例如是 / 否垃圾邮件 / 正常邮件通过 / 不通过如果有多个类别叫多分类。例如图片识别为猫、狗、车、树、人新闻分类为体育、财经、科技、娱乐商品分类为服装、食品、家电、图书4. 分类结果可能是概率分类模型经常输出概率。例如垃圾邮件识别垃圾邮件概率92% 正常邮件概率8%系统可以根据概率决定怎么处理。例如超过90%直接放入垃圾箱60%-90%标记为可疑低于60%放入收件箱不同业务场景可以设置不同阈值。七、监督学习中的回归问题1. 什么是回归回归也是监督学习中的常见任务。它要解决的问题是预测一个连续数值。这里的“回归”不是回到过去而是预测数值。例如预测房价是多少预测明天销量是多少预测用户下个月消费金额预测气温预测配送需要多少分钟2. 回归和分类的区别分类输出的是类别。回归输出的是数值。问题类型输出判断邮件是否垃圾邮件分类垃圾邮件 / 正常邮件预测一套房子价格回归300万元判断评论是好评还是差评分类好评 / 差评预测明天奶茶销量回归240杯判断用户是否会流失分类会 / 不会预测用户下月消费金额回归520元3. 回归问题的生活例子假设你要预测一家奶茶店明天能卖多少杯。可能需要考虑星期几天气节假日附近是否有活动历史销量是否有促销温度高低模型从历史数据中学习这些因素和销量之间的关系。之后输入明天的情况模型给出销量预测。4. 回归结果通常不会完全准确回归预测受很多因素影响。例如房价预测受到市场、政策、装修、买卖双方心理等因素影响。因此回归模型给出的通常是估计值而不是绝对真相。在实际应用中需要结合误差范围理解结果。八、无监督学习没有标准答案让机器自己找规律1. 什么是无监督学习无监督学习的特点是数据中没有明确的标准答案机器需要自己发现数据中的结构或规律。例如你有一批用户数据但没有人提前告诉你每个用户属于哪一类。模型可以尝试根据用户行为把相似用户分到一起。2. 生活类比自己整理书架假设你有一堆书没有人告诉你应该怎么分类。你可能会自己观察有些是小说有些是教材有些是历史书有些是工具书有些书尺寸相近有些书主题相近然后你按自己的规则把它们分组。这就类似无监督学习。它不是根据标准答案学习而是从数据本身发现相似性和结构。3. 无监督学习适合什么问题无监督学习适合探索性问题。例如用户分群商品分组异常检测文档主题发现相似图片聚集客户行为模式分析当我们还不知道数据中有哪些类别时无监督学习很有用。九、无监督学习中的聚类问题1. 什么是聚类聚类是无监督学习中最常见的任务之一。它要解决的问题是把相似的对象自动分到同一组。聚类没有提前给定标准答案。模型只是根据数据相似性分组。2. 聚类的例子任务输入数据聚类结果用户分群浏览、购买、消费数据高价值用户、价格敏感用户、新用户等商品分组商品标题、属性、销量相似商品组文档归类大量文章科技类、财经类、体育类等主题图片整理大量照片风景、人像、食物等相似图片组注意聚类后的组名通常需要人来解释。模型可能只告诉你“这些用户比较相似”但这些用户为什么相似、该叫什么名字需要人结合业务理解。3. 聚类和分类的区别分类和聚类很容易混淆。对比项分类聚类是否有标签有没有是否提前知道类别通常知道通常不知道输出指定类别自动分组学习类型监督学习无监督学习生活类比老师告诉你答案自己观察后分组4. 聚类的风险聚类结果不一定天然正确。因为模型只是根据数据相似性分组。如果输入数据不合理分组也可能没有意义。例如把用户按“登录时间”分组可能得到早上登录用户、晚上登录用户。但这个分组是否对业务有价值还需要人判断。十、强化学习通过奖励和惩罚学习策略1. 什么是强化学习强化学习是一种通过试错学习的方式。它的特点是智能体在环境中采取行动根据奖励或惩罚不断调整策略目标是获得更高长期收益。这里有几个关键词智能体做决策的对象例如游戏AI或机器人环境智能体所处的世界例如游戏地图或真实房间行动智能体可以做的选择奖励行动后得到的反馈策略智能体选择行动的方法2. 生活类比训练宠物训练宠物时你可能会这样做做对动作给奖励做错动作不给奖励或纠正重复多次后宠物更可能做出正确动作强化学习也是类似思想。模型不是直接拿到每一步的标准答案而是通过奖励信号学习什么行为更好。3. 游戏AI例子以游戏AI为例。AI可以选择向左走向右走跳跃攻击防守如果它获得分数就是奖励。如果它失败或损失生命值就是负面反馈。经过大量尝试后AI可能学会更好的游戏策略。4. 强化学习适合什么问题强化学习适合需要连续决策的问题。例如游戏AI机器人控制自动驾驶中的部分决策资源调度广告投放策略优化智能推荐策略优化这些问题的特点是当前行动会影响未来结果。例如游戏中现在选择进攻还是防守会影响后续局面。5. 强化学习的挑战强化学习听起来很自然但实际很复杂。原因包括需要大量试错试错成本可能很高奖励设计很难短期奖励和长期收益可能冲突真实环境安全风险较高例如自动驾驶不能在真实道路上随意试错。因此很多强化学习训练需要先在模拟环境中进行。十一、三种学习方式的对比对比项监督学习无监督学习强化学习是否有答案有明确标签没有明确标签没有直接答案有奖励反馈学习目标学会输入到答案的关系发现数据结构学会行动策略典型任务分类、回归聚类、异常发现游戏策略、机器人控制生活类比老师批改作业自己整理书架通过奖励训练行为适合场景有历史答案的数据任务探索数据规律连续决策和试错优化主要难点标签质量结果解释奖励设计和试错成本这张表是本课的核心。如果你能用自己的话解释这三类学习方式就已经掌握了机器学习入门中的重要框架。十二、任务类型和学习方式不要混淆初学者常见误区是把“监督学习”和“分类”当成同一个东西。它们不是同一层级的概念。可以这样理解学习方式机器怎么学 任务类型机器要解决什么问题例如监督学习可以做分类也可以做回归。无监督学习常见任务是聚类。强化学习关注的是策略学习和连续决策。1. 学习方式学习方式回答的是数据和反馈长什么样例如有标准答案监督学习没有标准答案无监督学习有奖励反馈强化学习2. 任务类型任务类型回答的是最终要输出什么例如输出类别分类输出数值回归输出分组聚类输出行动策略强化学习任务十三、常见任务判断方法判断一个机器学习任务可以按两步走。第一步看有没有标准答案问自己训练数据里有没有明确答案如果有例如每封邮件都标注了“垃圾邮件”或“正常邮件”通常是监督学习。如果没有只是给一堆用户行为数据希望机器自己分组通常是无监督学习。如果没有每一步标准答案但有奖励或惩罚可能是强化学习。第二步看输出是什么问自己模型最终要输出类别、数值、分组还是行动如果输出类别是分类。如果输出数值是回归。如果输出分组是聚类。如果输出下一步行动或长期策略可能是强化学习。判断示例任务学习方式任务类型判断邮件是不是垃圾邮件监督学习分类预测房价监督学习回归把用户自动分成几类无监督学习聚类训练游戏AI获得更高分强化学习策略学习判断评论是好评还是差评监督学习分类预测明天销量监督学习回归十四、案例一垃圾邮件识别1. 问题描述目标判断一封邮件是不是垃圾邮件。2. 数据和标签训练数据可能是邮件内容标签限时优惠点击领取大奖垃圾邮件明天下午开项目会议正常邮件恭喜中奖请填写银行卡垃圾邮件请查收本周工作总结正常邮件3. 学习方式和任务类型它属于学习方式监督学习任务类型分类原因有标准答案也就是垃圾邮件或正常邮件标签。输出是类别而不是数值。4. 可能的风险垃圾邮件识别不仅要看准确率。还要关注两类错误垃圾邮件没有拦住正常邮件被误判为垃圾邮件在很多场景中第二种错误可能更严重。十五、案例二房价预测1. 问题描述目标根据房屋信息预测房价。2. 数据和标签训练数据可能包括面积位置楼层房龄成交价格90平米市中心12层5年450万元70平米郊区6层10年180万元120平米学区附近18层3年800万元其中成交价格就是标签。3. 学习方式和任务类型它属于学习方式监督学习任务类型回归原因有历史成交价格作为答案。输出是价格这个数值。4. 为什么结果不可能完全准确房价会受到很多因素影响市场变化政策变化装修情况买卖双方心理小区环境数据是否及时所以模型输出通常只能作为参考估计。十六、案例三用户分群1. 问题描述目标根据用户行为把相似用户自动分成不同群体。2. 数据情况数据可能包括浏览商品类型购买频率平均消费金额使用时长活跃时间是否参与促销收藏和加购行为通常没有人提前告诉模型这个用户一定属于A类那个用户一定属于B类。3. 学习方式和任务类型它属于学习方式无监督学习任务类型聚类原因没有明确标签。目标是把相似用户自动分组。4. 聚类结果需要人解释模型可能把用户分成三组。但每组代表什么需要业务人员分析。例如第一组高频高消费用户第二组只在促销时购买的用户第三组浏览很多但购买少的用户这些名字不是模型天然知道的而是人根据数据特征解释出来的。十七、案例四游戏AI训练1. 问题描述目标让游戏AI学会获得更高分或赢得比赛。2. 学习方式它通常属于强化学习。原因是AI没有每一步的标准答案。它需要不断尝试行动。行动结果会带来奖励或惩罚。目标是学到长期更优策略。3. 奖励设计很重要如果奖励只设计成“得分越高越好”AI可能学到一些奇怪策略。例如只追求短期得分却忽略长期胜利。奖励设计需要考虑短期收益长期目标安全限制行为是否符合预期4. 为什么强化学习难强化学习需要大量尝试。在游戏中试错成本较低可以反复模拟。但在真实世界中比如机器人或自动驾驶试错成本很高甚至有安全风险。十八、异常检测一个容易混合的任务异常检测是发现“不正常”的数据。例如信用卡盗刷设备故障网络攻击异常订单异常登录异常检测可能使用不同学习方式。1. 有标签时监督学习如果历史数据明确标注了正常交易欺诈交易那么可以用监督学习做分类。2. 没有标签时无监督学习如果没有明确欺诈标签只知道大多数行为是正常的就可以寻找和大多数数据差异很大的异常点。这更接近无监督学习。3. 这个例子的启示同一个业务问题不一定只有一种学习方式。关键要看数据有没有标签标签是否可靠任务目标是什么错误成本有多高十九、选择学习方式时要考虑什么1. 是否有标签如果有大量可靠标签监督学习通常是首选。如果没有标签但想探索数据结构可以考虑无监督学习。如果任务涉及连续行动和奖励反馈可以考虑强化学习。2. 标签成本高不高有些标签很容易获得。例如用户点击、购买、评分。有些标签很贵。例如医学影像标注需要专业医生。标签成本会影响技术方案。3. 错误成本有多高不同场景错误成本不同。例如推荐错一条视频影响较小误判一封重要邮件影响较大医疗诊断错误影响很大自动驾驶决策错误风险极高错误成本越高越需要严格测试和人工审核。4. 是否需要解释有些场景需要知道模型为什么这样判断。例如金融风控、医疗辅助、招聘筛选。如果模型难以解释可能难以直接用于高风险决策。5. 数据是否会变化如果数据变化很快模型需要持续更新。例如用户兴趣变化市场价格变化欺诈手段变化网络流行语变化模型不能训练一次就永远不管。二十、初学者常见误区误区1无监督学习就是没有用的学习不是。无监督学习很适合探索数据结构。例如企业不知道用户可以分成哪些群体时聚类可以提供初步线索。误区2强化学习就是让AI随便试不是。强化学习需要设计环境、行动空间、奖励规则和安全限制。没有合理设计模型可能学到不符合预期的行为。误区3分类和回归都是监督学习所以没有区别它们都可以属于监督学习但任务目标不同。分类输出类别。回归输出数值。误区4聚类结果一定是真实分类聚类只是根据相似性分组。分组是否有业务意义需要人来解释和验证。误区5只要算法选对数据质量就不重要不对。数据质量仍然非常关键。错误标签、偏见数据、过时数据都会影响模型效果。二十一、课堂活动判断机器学习类型活动目标通过具体任务判断学习方式和任务类型。活动任务请判断下面任务属于哪种学习方式和任务类型。任务学习方式任务类型判断理由根据历史成交数据预测房价根据用户行为把用户分成几类训练游戏AI获得更高分判断一封邮件是否为垃圾邮件根据评论判断用户情绪根据天气预测明天奶茶销量把大量新闻自动分成主题组判断提示先问有没有明确标准答案输出是类别、数值、分组还是行动策略是否需要通过奖励和惩罚学习二十二、课堂活动设计课程推荐任务活动目标把机器学习类型应用到实际问题中。活动任务设计一个“根据学习习惯推荐课程”的简单AI任务。填写模板问题我的设计目标用户是谁要解决什么问题需要哪些数据有没有明确标签可能属于哪种学习方式可能输出什么结果如何判断推荐是否有效可能出现什么风险可参考的数据学习者年龄或年级已学课程学习时长完课情况练习正确率收藏课程课程评分搜索关键词学习目标可能的推荐目标推荐下一门课程推荐复习内容推荐练习题推荐学习路径推荐难度更合适的课程二十三、本课小结本课我们学习了机器学习的基本类型。需要重点记住监督学习是有标准答案的学习常用于分类和回归。分类是判断对象属于哪一类。回归是预测一个连续数值。无监督学习没有明确标准答案常用于发现数据结构。聚类是把相似对象自动分到同一组。强化学习通过奖励和惩罚学习行动策略。学习方式回答“机器怎么学”任务类型回答“机器要输出什么”。同一个业务问题可能有多种建模方式关键取决于数据、标签和目标。聚类结果需要人解释强化学习需要谨慎设计奖励。选择机器学习方式时要考虑标签、错误成本、解释性和数据变化。二十四、课后练习练习1判断任务类型请判断下面任务属于哪种学习方式和任务类型。任务学习方式任务类型预测明天商品销量判断图片中是猫还是狗把相似客户自动分组训练机器人学会避开障碍物判断用户评论是好评还是差评预测外卖送达需要多少分钟从大量文章中发现不同主题练习2区分分类和回归请回答分类和回归最大的区别是什么“预测用户是否会流失”是分类还是回归“预测用户下个月消费金额”是分类还是回归为什么房价预测通常属于回归练习3理解聚类请回答聚类为什么通常属于无监督学习聚类结果为什么需要人来解释用户分群可以给业务带来什么帮助如果输入数据质量不好聚类结果可能出现什么问题练习4理解强化学习请回答强化学习和监督学习最大的区别是什么为什么强化学习适合游戏AI奖励设计不合理可能带来什么问题为什么真实世界中的强化学习需要更谨慎练习5设计一个机器学习任务请选择一个生活或工作场景设计一个机器学习任务。问题我的回答我选择的场景想解决的问题输入数据是什么是否有标签学习方式是什么任务类型是什么输出结果是什么可能的风险是什么二十五、参考答案与提示练习1参考答案任务学习方式任务类型预测明天商品销量监督学习回归判断图片中是猫还是狗监督学习分类把相似客户自动分组无监督学习聚类训练机器人学会避开障碍物强化学习策略学习判断用户评论是好评还是差评监督学习分类预测外卖送达需要多少分钟监督学习回归从大量文章中发现不同主题无监督学习聚类 / 主题发现练习2参考提示分类输出类别回归输出数值。“预测用户是否会流失”通常是分类因为输出是“会”或“不会”。“预测用户下个月消费金额”通常是回归因为输出是金额数值。房价预测通常是回归因为输出是价格。练习3参考提示聚类通常没有提前给定标准答案模型根据相似性自动分组所以属于无监督学习。聚类结果只是分组组名和业务含义需要人解释。用户分群可以帮助企业做个性化推荐、营销策略、用户运营和风险分析。如果数据质量不好模型可能把用户分成没有实际意义的组。练习4参考提示强化学习不是直接学习标准答案而是通过行动后的奖励或惩罚学习策略。游戏AI适合强化学习因为游戏环境规则明确可以大量模拟试错。奖励设计不合理时AI可能只追求短期奖励甚至学到不符合预期的行为。真实世界试错成本高可能涉及安全风险因此需要谨慎设计和验证。练习5参考示例问题示例回答我选择的场景奶茶店销量预测想解决的问题预测明天需要准备多少原料输入数据是什么历史销量、天气、星期几、节假日、促销活动是否有标签有历史真实销量学习方式是什么监督学习任务类型是什么回归输出结果是什么明天预计销量可能的风险是什么天气突变、活动影响、数据过时导致预测不准二十六、下一课预告下一课我们将进入第三阶段学习深度学习与神经网络入门你将了解什么是神经网络输入层、隐藏层、输出层分别是什么深度学习为什么适合处理图片、语音和文本为什么多层网络可以提取更复杂的特征如果说本课帮助你理解机器学习有哪些基本类型那么下一课会进一步解释现代AI中非常重要的深度学习方法。