机器学习的工作原理

机器学习采用两种方法类型：有监督学习和无监督学习。有监督学习根据已知的输入和输出数据训练模型，让模型能够预测未来输出；无监督学习从输入数据中找出隐藏模式或内在结构。

有监督学习

有监督机器学习能够基于已有的数据建立一个可以在存在不确定性的情况下做出预测的模型。有监督学习算法接受已知的输入数据集和对该数据集的已知响应（输出），然后训练模型以使模型能够对新输入数据的响应做出合理的预测。如果您尝试去预测已知数据的输出，请使用有监督学习。

有监督学习使用分类方法和回归方法来开发机器学习模型。

分类方法可预测离散响应 - 例如，电子邮件是真正邮件还是垃圾邮件，肿瘤是恶性还是良性的。分类模型将输入数据划分成不同类别。典型的应用包括医学成像、语音识别和信用评分。

如果您的数据能进行标记、分类或分为特定的组或类，则使用分类。例如，笔迹识别应用会使用分类来识别字母和数字。在图像处理和计算机视觉方面，无监督模式识别方法被用于目标检测和图像分割。此处提供了执行分类的最常见算法。

回归方法可用于预测连续响应，例如电池荷电状态等难以测量的物理量，电网的电力负荷或金融资产价格。典型的应用包括虚拟传感、电力负荷预测和算法交易。

如果您在处理一个数据范围，或响应的性质是一个实数（比如温度，或一件设备发生故障前的运行时间），则使用回归方法。此处提供了执行回归的最常见算法。

无监督学习

无监督学习可发现数据中隐藏的模式或内在结构。这种方法可根据由没有标注响应的输入组成的数据集做出推断。

聚类是最常见的无监督学习方法。它可以用来执行探索性数据分析以发现数据中隐藏的模式或分组。聚类分析的应用包括基因序列分析、市场调查和目标识别。

例如，如果一家移动电话公司想优化其手机信号塔的方位布局，就可以使用机器学习来估算使用信号塔的人群聚类数量。一部移动电话同时间只能与一个信号塔通信，所以，该团队使用聚类算法设计蜂窝塔的最佳布局，优化其客户群组（也可以称之为客户聚类）的信号接收。此处提供了执行聚类的最常见算法。

如何决定使用哪种机器学习算法？

选择正确的算法看似相当困难 - 有监督和无监督机器学习算法有几十种，每种算法都使用了不同的学习方法。

机器学习算法的选择没有最佳方法或万全之策。找到正确的算法在一定程度上是个试错的过程 - 即使经验丰富的数据科学家也无法在试用前就断言某种算法是否合适。而且，算法的选择还取决于您要处理的数据的大小和类型、您要从数据中获得的信息以及如何运用这些信息。