ML基础

范式	定义
监督学习（Supervised Learning）	训练数据包括正确的结果（标签-label）
无监督学习（Unsupervised Learning）	训练数据不包括正确的结果
半监督学习/混合学习（Semi-supervised Learning）	训练数据包括少量正确的结果
强化学习（Reinforcement Learning）	根据每次结果收获的奖惩进行学习，实现优化

问题名称	定义	所属范式	所属范式原因	示例	常见算法
回归问题	预测连续输出变量，学习输入特征到连续值的映射	监督学习	需要带标签的连续输出数据，学习输入到连续值的映射	根据房屋面积、位置预测房价	线性回归、决策树回归、随机森林、SVR、神经网络
分类问题	预测离散类别标签，将输入数据分配到预定义类别	监督学习	需要带标签的离散类别数据，学习输入到类别标签的映射	判断图片是猫还是狗、识别手写数字（0-9）	逻辑回归、SVM、决策树、随机森林、KNN、神经网络
聚类问题	将无标签数据分组为具有相似特征的簇	无监督学习	无标签数据，根据数据内在结构分组	将客户分组为不同市场群体	K均值聚类、DBSCAN、层次聚类
降维问题	降低数据维度以提取主要特征或便于可视化	无监督学习	无标签数据，降低维度以提取主要特征或便于可视化	将高维数据降到2维以便可视化	PCA、t-SNE、LDA、UMAP
推荐系统	根据用户行为或内容预测用户偏好或推荐相关项目	监督/无监督/混合	可基于评分预测（监督）或用户/物品相似性（无监督）进行推荐	Netflix推荐电影、电商推荐商品	协同过滤、矩阵分解、基于内容的推荐、神经网络
序列预测	预测时间序列或序列数据的下一值或趋势	监督学习/强化学习	通常基于历史数据预测序列（监督），或通过环境交互预测（强化）	预测股票价格、生成自然语言文本	RNN、LSTM、Transformer、ARIMA
异常检测	识别数据中的异常点或不符合正常模式的数据	无监督/半监督学习	无标签数据寻找异常点，或用少量正常数据训练以检测异常	检测信用卡欺诈交易、识别设备故障	孤立森林、One-Class SVM、DBSCAN、GAN