【Robot Learning】基础：从不同角度对机器学习分类

是 否 +2 论坛币

k人 参与回答

经管之家送您一份

应届毕业生专属福利!

求职就业群

赵安豆老师微信：zhaoandou666

经管之家联合CDA

送您一个全额奖学金名额~ !

立即领取

感谢您参与论坛问题回答

经管之家送您两个论坛币！

+2 论坛币

1. 学习方式与模型分类概述

机器学习可以从多个维度进行划分，常见的分类方式包括：按学习范式、模型架构、生成机制以及任务目标等。这些分类帮助我们更清晰地理解不同算法的适用场景与核心原理。

2. 按学习范式划分（核心分类方式）

2.1 监督学习 —— “有导师指导的学习”
核心思想： 提供带有明确标签的训练数据，让模型学习从输入到输出的映射关系。
类比理解： 就像教师向学生展示大量苹果和橘子的图片，并逐一告知名称，使学生逐步掌握识别能力。

典型模型包括：

• 线性回归： 用于预测连续数值型结果，例如根据房屋面积估算价格。
• 逻辑回归： 解决二分类问题，如基于考试成绩判断是否及格。
• 决策树： 通过一系列“如果…那么…”规则进行判断，结构类似流程图。
• 支持向量机（SVM）： 寻找最优分界线（最大间隔超平面），将不同类别数据有效分离。
• 随机森林： 集成多个决策树，通过投票机制提升准确性，体现“集体智慧”。
• 神经网络： 模拟人脑神经元连接方式，适用于处理高度复杂的非线性问题。

2.2 无监督学习 —— “自主发现规律”
核心思想： 输入数据不包含标签信息，模型需自行探索其中潜在结构或分布模式。
类比理解： 给出一堆未标注的水果，仅凭颜色、形状等特征将其归类为若干组。

常用模型如下：

• K-均值聚类： 将相似样本自动划分至同一簇中，实现数据分组。
• 主成分分析（PCA）： 对高维数据降维，提取关键特征，便于可视化或后续建模。
• 自编码器： 先压缩再还原数据，在此过程中学习高效的数据表示形式。

2.3 强化学习 —— “在试错中成长”
核心思想： 智能体在环境中采取行动，依据获得的奖励或惩罚反馈调整策略，以最大化长期收益。
类比理解： 训练小狗完成动作时，正确行为给予零食奖励，错误则无反馈，逐渐形成正向行为习惯。

代表性方法：

• Q-Learning： 构建状态-动作价值表，指导智能体选择最优行为。
• 深度Q网络（DQN）： 使用神经网络替代传统Q表，可处理图像等复杂输入状态。
• 策略梯度方法： 直接优化策略函数，决定在特定状态下应采取的动作。

2.4 半监督学习 —— “少量指导 + 大量自学”
核心思想： 利用少量带标签数据与大量无标签数据联合训练，提升模型泛化能力。
类比理解： 教师先教会几种常见水果的识别，随后让学生利用已有知识对新水果进行分类。

3. 按模型架构类型划分

3.1 线性模型
试图使用直线（或多维空间中的超平面）拟合数据关系。具有良好的可解释性，但对非线性问题拟合能力较弱。

3.2 树模型
基于层级判断逻辑构建模型，决策过程直观透明。
代表模型： 决策树、随机森林、XGBoost（广泛应用于各类数据竞赛）。

3.3 神经网络
由大量相互连接的神经元组成，构成深度学习的核心基础，具备强大的表达能力。

主要变体包括：

• 卷积神经网络（CNN）： 特别适合图像处理，能够捕捉局部空间结构与层次特征。
• 循环神经网络（RNN）： 擅长处理序列数据（如文本、语音、时间序列），具备记忆能力。
• Transformer： 当前主流架构，依赖“自注意力机制”实现并行化处理，在自然语言任务中表现卓越，是GPT、BERT等大模型的基础。

4. 按生成模式划分

该分类聚焦于模型如何产生输出，尤其关注生成式模型的工作机制。

4.1 判别式模型
关注问题： “如何区分两个类别？”
学习内容： 直接建模类别之间的边界函数。
类比理解： 专注于找出猫与狗的区别点，以便准确分类。
典型代表： 逻辑回归、支持向量机、大多数神经网络分类器。

4.2 生成式模型
关注问题： “某一类数据本身是什么样子？”
学习内容： 建模每一类数据的概率分布，掌握其内在结构后可生成新样本。
类比理解： 先学会猫和狗各自的绘画方式，之后即可创作出新的猫狗图像。

代表模型包括：

• 生成对抗网络（GANs）： 包含生成器与判别器，二者博弈中不断提升生成质量。
• 变分自编码器（VAE）： 将数据编码为低维潜在表示，再解码还原，实现数据生成。
• 扩散模型： 当前最先进的图像生成技术之一，通过逐步去噪过程重建原始图像。
• 自回归模型： 依据已生成的部分逐个预测下一个元素，常用于序列生成。

关于自回归模型的深入解析

本质属性：
自回归模型属于生成式模型的一种，其核心策略是“基于已有内容预测下一步”。这种机制天然适用于文本、音频等序列任务。

在模型体系中的位置：

• 它是一种生成策略，强调顺序生成过程。
• 典型实例： 循环神经网络（RNN）具有天然的自回归特性；Transformer的解码器部分（如GPT系列）则是当前最成功的应用。

GPT在生成文本时即采用典型的自回归方式：

“我” -> “爱” -> “你”

优缺点分析：

优点：

• 生成结果连贯性强，尤其适合需要上下文依赖的任务。

缺点：

• 生成速度慢，必须串行执行，无法完全并行化。
• 可能出现错误累积现象，一旦早期预测出错，后续内容可能持续偏离。

对比：非自回归模型
为克服上述缺陷，部分模型尝试一次性或并行生成整个序列。

例如： 某些图像生成模型接收一个随机噪声向量，直接输出完整图像。

优势： 生成速度快。
劣势： 在整体一致性与细节质量上有时不如自回归模型稳定。

一步错，便可能导致步步错。

扫码加我 拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

分享0 收藏0 回帖

关键词：Learning earning robot Learn 机器学习