机器学习模型的三大核心类型

1. 监督学习（老师手把手教）

特点：给模型提供"问题+标准答案"的数据集
就像：老师批改试卷时，每道题都标上正确答案
常见任务：

• 分类（预测类别）：
  例：看图片判断是猫是狗（输入图片，输出"猫"/"狗"标签）
  算法：决策树、SVM、神经网络
• 回归（预测数值）：
  例：根据房屋面积/地段预测房价（输入特征，输出具体价格）
  算法：线性回归、随机森林

1. 无监督学习（让孩子自己探索）

特点：只给数据，没有标准答案，让模型自己找规律
就像：给孩子一盒混装的乐高积木，让他自己分类
常见任务：

• 聚类（自动分组）：
  例：超市根据顾客购买行为分成"家庭主妇""上班族""学生"群体
  算法：K-means、层次聚类
• 降维（简化数据）：
  例：把100种口红颜色压缩成"红调/橘调/粉调"3个核心色系
  算法：PCA、t-SNE

1. 强化学习（打游戏练级）

特点：模型通过试错获得奖励/惩罚来学习
就像：训练狗接飞盘，接到给零食（奖励），失败不给（惩罚）
典型场景：

• 游戏AI：AlphaGo通过百万局自我对弈学习围棋策略
• 机器人控制：机械臂学习抓取不同形状的物体
• 自动驾驶：在模拟环境中学习避障规则
  核心机制：智能体（Agent）在环境中行动 → 获得奖励 → 优化策略

特殊混合类型

• 半监督学习：少量标注数据+大量未标注数据（如：医生标注100张肿瘤X光片，模型自学分析10万张未标注片）
• 迁移学习：把学会的技能迁移到新领域（如：用识别猫狗的模型快速学会识别老虎）

简单记忆法：

• 监督学习 = 有答案册的学生
• 无监督学习 = 自己整理书架的孩子
• 强化学习 = 游戏里打怪升级的玩家

[培训]Windows内核深度攻防：从Hook技术到Rootkit实战！