Python机器学习方法

可以使用多种ML算法，技术和方法来构建用于通过使用数据来解决实际问题的模型。在本章中，我们将讨论这种不同类型的方法。

以下是基于一些广泛类别的各种ML方法-

下图显示了适合各种ML问题的任务类型-

在学习过程中，以下是一些基于学习能力的方法-

在许多情况下，我们拥有端到端机器学习系统，其中我们需要使用全部可用的训练数据来一次性训练模型。这种学习方法或算法称为 批处理或离线学习。之所以称为批处理或脱机学习，是因为它是一次性过程，并且模型将在一个批处理中使用数据进行训练。以下是批处理学习方法的主要步骤-

与批处理或脱机学习方法完全相反。在这些学习方法中，训练数据以称为小批量的多个增量批次提供给算法。以下是在线学习方法的主要步骤-

基于实例的学习方法是通过基于输入数据进行泛化来构建ML模型的有用方法之一。与以前研究的学习方法相反，这种学习涉及ML系统以及使用原始数据点本身来绘制更新数据样本的结果而无需建立训练数据显式模型的方法。

简单来说，基于实例的学习基本上是先查看输入数据点，然后使用相似性度量来开始工作，它将概括并预测新数据点。

在基于模型的学习方法中，对基于各种模型参数（称为超参数）构建的ML模型进行迭代处理，并使用输入数据提取特征。在此学习中，基于各种模型验证技术对超参数进行了优化。这就是为什么我们可以说基于模型的学习方法使用更传统的ML方法进行泛化的原因。