第9章机器学习与知积发现 2.基于学习方法的分类 1)归纳学习 (1)符号归纳学习：典型的符号归纳学习有示例学习、 决策树学习等。 (2)函数归纳学习（发现学习）：典型的函数归纳学习有 神经网络学习、示例学习、发现学习、统计学习等。 2)演绎学习 3)类比学习 典型的类比学习有案例（范例）学习。 4)分析学习 典型的分析学习有案例（范例）学习和解释学习等
第 9 章 机器学习与知识发现 9 2. 1) (1) 符号归纳学习: 典型的符号归纳学习有示例学习、 决策树学习等。 (2) 函数归纳学习(发现学习): 典型的函数归纳学习有 神经网络学习、示例学习、发现学习、 统计学习等。 2) 3) 典型的类比学习有案例(范例)学习。 4) 典型的分析学习有案例(范例)学习和解释学习等
第9章机器学习与知识发现 3.基于学习方式的分类 (1)有导师学习（监督学习，supervised learning):利用一组已知类别 的样本调整分类器的参数，使其达到所要求性能的过程，也称为监督训练 或有教师学习。正如人们通过已知病例学习诊断技术那样，计算机要通过 学习才能具有识别各种事物和现象的能力。用来进行学习的材料就是与被 识别对象属于同类的有限数量样本。监督学习中在给予计算机学习样本的 同时，还告诉计算各个样本所属的类别。若所给的学习样本不带有类别信 息，就是无监督学习。任何一种学习都有一定的目的，对于模式识别来说，就 是要通过有限数量样本的学习，使分类器在对无限多个模式进行分类时所 产生的错误概率最小。 (2)无导师学习（无监督学习，unsupervised learning):设计分类器时候，用 于处理未被分类标记的样本集。输入数据中无导师信号，采用聚类方法，学 习结果为类别。典型的无导师学习有发现学习、聚类学习、竞争学习等。 (3)强化学习（增强学习）：以环境反馈（奖/惩信号）作为输入，以统计和 动态规划技术为指导的三种学习方法
第 9 章 机器学习与知识发现 9 3. (1) 有导师学习(监督学习,supervised learning):利用一组已知类别 的样本调整分类器的参数，使其达到所要求性能的过程，也称为监督训练 或有教师学习。正如人们通过已知病例学习诊断技术那样，计算机要通过 学习才能具有识别各种事物和现象的能力。用来进行学习的材料就是与被 识别对象属于同类的有限数量样本。监督学习中在给予计算机学习样本的 同时，还告诉计算各个样本所属的类别。若所给的学习样本不带有类别信 息,就是无监督学习。任何一种学习都有一定的目的,对于模式识别来说，就 是要通过有限数量样本的学习，使分类器在对无限多个模式进行分类时所 产生的错误概率最小。 (2) 无导师学习(无监督学习，unsupervised learning):设计分类器时候，用 于处理未被分类标记的样本集。输入数据中无导师信号, 采用聚类方法,学 习结果为类别。典型的无导师学习有发现学习、聚类学习、竞争学习等。 (3) 强化学习(增强学习): 以环境反馈(奖/惩信号)作为输入, 以统计和 动态规划技术为指导的一种学习方法
第9章机器学习与知识发现 4.基于数据形式的分类 (1)结构化学习：以结构化数据为输入，以数值计算或符 号推演为方法。典型的结构化学习有神经网络学习、统计学 习、决策树学习和规则学习。 (2)非结构化学习：以非结构化数据为输入， 典型的非结 构化学习有类比学习、案例学习、解释学习、文本挖掘、图 像挖掘、Web挖掘等
第 9 章 机器学习与知识发现 9 4. (1) 结构化学习: 以结构化数据为输入,以数值计算或符 号推演为方法。典型的结构化学习有神经网络学习、统计学 习、决策树学习和规则学习。 (2) 非结构化学习:以非结构化数据为输入, 典型的非结 构化学习有类比学习、案例学习、解释学习、文本挖掘、图 像挖掘、 Web挖掘等
第9章机器学习与知识发现 5.基于学习目标的分类 (1)概念学习：即学习的目标和结果为概念，或者说是为 了获得概念的一种学习。典型的概念学习有示例学习。 (2)规则学习：即学习的目标和结果为规则，或者说是为 了获得规则的一种学习。典型的规则学习有决策树学习。 (3)函数学习：即学习的目标和结果为函数，或者说是为 了获得函数的一种学习。典型的函数学习有神经网络学习
第 9 章 机器学习与知识发现 9 5. (1) 概念学习: 即学习的目标和结果为概念, 或者说是为 了获得概念的一种学习。典型的概念学习有示例学习。 (2) 规则学习: 即学习的目标和结果为规则, 或者说是为 了获得规则的一种学习。典型的规则学习有决策树学习。 (3) 函数学习: 即学习的目标和结果为函数, 或者说是为 了获得函数的一种学习。典型的函数学习有神经网络学习
第9章机器学习与知识发现 (4) 类别学习：即学习的目标和结果为对象类，或者说 是为了获得类别的一种学习。典型的类别学习有聚类分析。 (5) 贝叶斯网络学习：即学习的目标和结果是贝叶斯网 络，或者说是为了获得贝叶斯网络的一种学习。其又可分为 结构学习和参数学习。 当然，以上仅是机器学习的一些分类而并非全面分类。 事实上，除了以上分类外，还有许多其他分法。例如，有些 机器学习还需要背景知识作指导，这就又有了基于知识的机 器学习类型。如解释学习就是一种基于知识的机器学习
第 9 章 机器学习与知识发现 9 (4) 类别学习: 即学习的目标和结果为对象类, 或者说 是为了获得类别的一种学习。 典型的类别学习有聚类分析。 (5) 贝叶斯网络学习: 即学习的目标和结果是贝叶斯网 络, 或者说是为了获得贝叶斯网络的一种学习。其又可分为 结构学习和参数学习。 当然, 以上仅是机器学习的一些分类而并非全面分类。 事实上,除了以上分类外, 还有许多其他分法。 例如, 有些 机器学习还需要背景知识作指导, 这就又有了基于知识的机 器学习类型。 如解释学习就是一种基于知识的机器学习