预测建模-监督机器学习-和-模式分类概览.总结.docxVIP

预测建模、监督机器学习和模式分类概览 模式分类（ pattern classification ）和机器学习（ machine learning ）是非常热的话题，几 乎在所有的现代应用程序中都得到了应用：例如邮局中的光学字符识别（ OCR ），电子邮 件过滤，超市条形码扫描，等等。 在这篇文章中，我会简要描述一个典型的监督学习任务的主要概念，这些概念将作为将来 的文章和实现各种学习算法的基础。 机器学习和模式分类 预测建模是建立一个能够进行预测的模型的通用概念。通常情况下，这样的模型包括一个 机器学习算法，以便从训练数据集中学习某些属性做出这些预测。 预测建模可以进一步分成两个子集：回归和模式分类。回归模型基于变量和趋势之间的关 系的分析，以便做出关于连续变量的预测，如天气预报的最高温度的预测。 与回归模型不同，模式分类的任务是分配离散的类标签到特定的 observation 作为预测的 结果。回到上面的例子：在天气预报中的模式分类任务可能是一个晴天、雨天或雪天的预 测。 抛开所有的可能性，本文的重点将放在 “模式分类 ”，分配预先定义的类标签到特定实例将 它们分成不同的类别的一般方法。 实例”是“observation或 样本”的同义词，描述由一个或 多个特征（或称为 “属性”）组成的 “对象 ”。 监督学习、无监督学习和强化学习 模式分类任务可被分成两个主要的子类别：监督学习