一、前言

上一篇文章我们探讨了机器学习的历史和定义，并且区分了机器学习与人工智能和深度学习这些容易混淆的概念。今天我们会进一步讨论机器学习的分类，从而帮大家理解机器学习有可能帮我们实现哪些工作。

二、机器学习分类

其实机器学习的分类方法也有很多，在这里我们也是谈一个被广泛接受的分类方案，即按照任务类型进行分类，机器学习可被分为监督学习，半有监督学习，无监督学习和增强学习四个大类。

顾名思义，监督学习就是存在确定的输入和输出，并且有相应数据支撑的机器学习方法。根据输出的类型，我们可以进一步将监督学习分为分类和回归。分类模型就像是我们在考试中面临的判断题和选择题，答案只存在有限的可能性。而回归模型有点像是填空题，答案是唯一的，但是却没有明确的答案范围。目前来说，监督学习是材料科学中最常用的机器学习方法，其主要目标是根据已知的材料信息预测材料是否具备某种性质或者具体的性质，比如材料是否有磁性或者材料的形成能。

无监督学习是一种只有明确的输入而没有明确的输出的机器学习方法。这种方法就有点像是考试中的作文题，没有一个标准答案，但是总可以评价作文的质量。尽管这样的方法无法直接提供目标答案，但可以提供多种方案供我们参考，比如通过无监督学习的方法分析现有材料，并要求它直接设计新的材料。

而半有监督学习介于监督学习和无监督学习之间，是有一部分的数据兼具输入和输出，而其余一部分数据只有输入，那这个情况下，半有监督学习就是要为只有输入的数据补全输出。这对于提取材料的特征具有重要意义。

而增强学习是目前机器学习领域最受关注的方法，该方法不需要一个明确的数据集作为输入，只需要为机器学习算法提供一个虚拟环境，并在其中进行自由的探索。最出名的例子当然就是大名鼎鼎的AlphaGo，在我们材料学研究当中，利用增强学习的方法寻找化学反应中的过渡态也受到了大量关注。

因此，当各位小伙伴在思考机器学习的应用时，应当首先考虑我们究竟想用机器学习帮我们实现什么样的目标，并根据自己的目标选择合适的机器学习类别。否则的话很有可能迷失在浩如烟海的机器学习方法中。

简单总结一下，今天我们谈了机器学习常见的分类，并且了解了要根据自己的任务类型选择特定类别的机器学习方法。接下来我们将深入机器学习的方法内部，了解机器如何才能认识我们的数据。

特别声明：本文由“天玑算”用户上传、授权发布，以上内容（含文字、图片、视频）不代表本网站观点或立场；如其他媒体、网站或个人从本网站转载使用，须保留本网站注明的“来源”，并自负版权等法律责任；作者如果不希望被转载或者联系转载稿费等事宜，可以在文未添加注释。