機(jī)器學(xué)習(xí)的兩大應(yīng)用場景—回歸與分類

回歸（regression）和分類（classification）是兩種最常見的機(jī)器學(xué)習(xí)問題類型，如下圖所示。

回歸問題通常用來預(yù)測一個(gè)值，其標(biāo)簽的值是連續(xù)的。例如，預(yù)測房價(jià)、未來的天氣等任何連續(xù)性的走勢、數(shù)值。比較常見的回歸算法是線性回歸（linear regression）算法以及深度學(xué)習(xí)中的神經(jīng)網(wǎng)絡(luò)等。

分類問題是將事物標(biāo)記一個(gè)類別標(biāo)簽，結(jié)果為離散值，也就是類別中的一個(gè)選項(xiàng)，例如，判斷一幅圖片上的動(dòng)物是一只貓還是一只狗。分類有二元分類和多元分類，每類的最終正確結(jié)果只有一個(gè)。分類是機(jī)器學(xué)習(xí)的經(jīng)典應(yīng)用領(lǐng)域，很多種機(jī)器學(xué)習(xí)算法都可以用于分類，包括最基礎(chǔ)的邏輯回歸算法、經(jīng)典的決策樹算法，以及深度學(xué)習(xí)中的神經(jīng)網(wǎng)絡(luò)等。還有從多元分類上衍生出來的多標(biāo)簽分類問題，典型應(yīng)用如社交網(wǎng)站中上傳照片時(shí)的自動(dòng)標(biāo)注人名功能，以及推薦系統(tǒng)——在網(wǎng)站或者App中為同一個(gè)用戶推薦多種產(chǎn)品，或把某一種產(chǎn)品推薦給多個(gè)用戶。

機(jī)器學(xué)習(xí)的其他應(yīng)用場景

當(dāng)然，除回歸問題和分類問題之外，機(jī)器學(xué)習(xí)的應(yīng)用場景還有很多。比如，無監(jiān)督學(xué)習(xí)中最常見的聚類 （clustering）問題是在沒有標(biāo)簽的情況下，把數(shù)據(jù)按照其特征的性質(zhì)分成不同的簇（其實(shí)也就是數(shù)據(jù)分類）；還有一種無監(jiān)督學(xué)習(xí)是關(guān)聯(lián)規(guī)則，通過它可以找到特征之間的影響關(guān)系。

又比如時(shí)間序列，指在內(nèi)部結(jié)構(gòu)隨時(shí)間呈規(guī)律性變化的數(shù)據(jù)集，如趨勢性數(shù)據(jù)、隨季節(jié)變化的數(shù)據(jù)等。時(shí)間序列問題其實(shí)也就是和時(shí)間、周期緊密關(guān)聯(lián)的回歸問題。具體應(yīng)用場景包括預(yù)測金融市場的波動(dòng)，推斷太陽活動(dòng)、潮汐、天氣乃至恒星的誕生、星系的形成，預(yù)測流行疾病傳播過程等。

還有結(jié)構(gòu)化輸出。通常機(jī)器學(xué)習(xí)都是輸出一個(gè)答案或者選項(xiàng)，而有時(shí)需要通過學(xué)習(xí)輸出一個(gè)結(jié)構(gòu)。什么意思呢？比如，在語音識(shí)別中，機(jī)器輸出的是一個(gè)句子，句子是有標(biāo)準(zhǔn)結(jié)構(gòu)的，不只是數(shù)字0～9這么簡單（識(shí)別0～9是分類問題），這比普通的分類問題更進(jìn)一步。具體應(yīng)用場景包括語音識(shí)別——輸出語法結(jié)構(gòu)正確的句子、機(jī)器翻譯——輸出合乎規(guī)范的文章。

還有一部分機(jī)器學(xué)習(xí)問題的目標(biāo)不是解決問題，而是令世界變得更加豐富多彩，因此AI也可以進(jìn)行藝術(shù)家所做的工作，例如以下幾種。Google的Dreamwork可以結(jié)合兩種圖片的風(fēng)格進(jìn)行藝術(shù)化的風(fēng)格遷移。 生成式對抗網(wǎng)絡(luò)GAN能造出以假亂真的圖片。挖掘數(shù)字特征向量的潛隱空間，進(jìn)行音樂、新聞、故事等創(chuàng)作。

我們可以把這種機(jī)器學(xué)習(xí)應(yīng)用稱為生成式學(xué)習(xí)。

還有些時(shí)候，機(jī)器學(xué)習(xí)的目標(biāo)是做出決定，這時(shí)叫它們決策性問題。決策性問題本質(zhì)上仍然是分類問題，因?yàn)槊恳粋€(gè)決策實(shí)際上還是在用最適合的行為對環(huán)境的某一個(gè)狀態(tài)進(jìn)行分類。比如，自動(dòng)駕駛中的方向（左、中、右），以及圍棋中的落點(diǎn)，仍然是19×19個(gè)類的其中之一。具體應(yīng)用場景包括自動(dòng)駕駛、智能體玩游戲、機(jī)器人下棋等。在很多決策性問題中，機(jī)器必須學(xué)習(xí)哪些決策是有效的、可以帶來回報(bào)的，哪些是無效的、會(huì)帶來負(fù)回報(bào)的，以及哪些是對長遠(yuǎn)目標(biāo)有利的。因此，強(qiáng)化學(xué)習(xí)是這種情況下的常用技術(shù)。

總體來說，機(jī)器學(xué)習(xí)的訣竅在于要了解自己的問題，并針對自己的問題選擇最佳的機(jī)器學(xué)習(xí)方法（算法），也就是找到哪一種技術(shù)最有可能適合這種情況。如果能把場景或任務(wù)和適宜的技術(shù)連接起來，就可以在遇到問題時(shí)心中有數(shù)，迅速定位一個(gè)解決方向。下圖將一些常見的機(jī)器學(xué)習(xí)應(yīng)用場景和機(jī)器學(xué)習(xí)模型進(jìn)行了連接