机器学习实战：基于Scikit-Learn、Keras 和TensorFlow （原书第2 版）

机器学习概览

｜

23

最后，还有一个常见的无监督任务是关联规则学习，其目的是挖掘大量数据，发现属性

之间的有趣联系。例如，假设你开了一家超市，在销售日志上运行关联规则之后发现买

烧烤酱和薯片的人也倾向于购买牛排。那么，你可能会将这几样商品摆放得更近一些。

半监督学习

由于通常给数据做标记是非常耗时和昂贵的，你往往会有很多未标记的数据而很少有已

标记的数据。有些算法可以处理部分已标记的数据。这被称为半监督学习（见图 1-11）。

特征 2

特征 1

类

？

图 1-11 ：半监督学习有两个类别（三角形和正方形）：未标记的示例（圆形）有助于将新实例

（十字）分类为三角形类别而不是正方形类别，即使它更接近于标记的正方形

有些照片托管服务（例如 Google 相册）就是很好的示例。一旦你将所有的家庭照片上传

到服务器后，它会自动识别出人物 A 出现在照片 1、5 和 11 中，人物 B 出现在照片 2、

5 和 7 中。这是算法的无监督部分（聚类）。现在系统需要你做的只是告诉它这些人都是

谁。给每个人一个标签之后

注 4

，它就可以给每张照片中的每个人命名，这对于搜索图片

非常重要。

1

大多数半监督学习算法是无监督算法和有监督算法的结合。例如，深度信念网络（DBN）

基于一种互相堆叠的无监督组件，这个组件叫作受限玻尔兹曼机（RBM）。受限玻尔兹

曼机以无监督方式进行训练，然后使用有监督学习技术对整个系统进行微调。

强化学习

强化学习则是一个非常与众不同的“巨兽”。它的学习系统（在其语境中称为智能体）

能够观察环境，做出选择，执行动作，并获得回报（ ...