机器学习的分类有：1、监督学习；2 、无监督学习；3 、半监督学习；4、强化学习。其中，监督学习是指：训练机器学习的模型的训练样本数据有对应的目标值，通过对数据样本因子和已知的结果建立联系 。（1）监督学习监督学习就是训练机器学习的模型的训练样本数据有对应的目标值 ，监督学习就是通过对数据样本因子和已知的结果建立联系 ，提取特征值和映射关系，通过已知的结果 ，已知数据样本不断的学习和训练 ，对新的数据进行结果的预测 。监督学习通常用在分类和回归。比如手机识别垃圾短信，电子邮箱识别垃圾邮件 ，都是通过对一些历史短信 、历史邮件做垃圾分类的标记 ，对这些带有标记的数据进行模型训练，然后获取到新的短信或是新的邮件时 ，进行模型匹配 ，来识别此邮件是或是不是，这就是监督学习下分类的预测 。再举一个回归的例子 ，比如我们要预测公司净利润的数据 ，我们可以通过历史上公司利润（目标值），以及跟利润相关的指标，比如营业收入 、资产负债情况、管理费用等数据 ，通过回归的方式我们回到的一个回归方程 ，建立公司利润与相关因此的方程式，通过输入因子数据 ，来预测公司利润 。监督学习难点是获取具有目标值的样本数据成本较高 ，成本高的原因在于这些训练集的要依赖人工标注工作。（2）无监督学习无监督学习跟监督学习的区别就是选取的样本数据无需有目标值，我们无需分析这些数据对某些结果的影响 ，只是分析这些数据内在的规律 。无监督学习常用在聚类分析上面 。比如客户分群 、因子降维等。比如RFM模型的使用 ，通过客户的销售行为（消费次数 、最近消费时间、消费金额）指标，来对客户数据进行聚类：重要价值客户：最近消费时间近 、消费频次和消费金额都很高；重要保持客户：最近消费时间较远 ，但消费频次和金额都很高 ，说明这是个一段时间没来的忠诚客户，我们需要主动和他保持联系；重要发展客户：最近消费时间较近 、消费金额高 ，但频次不高 ，忠诚度不高，很有潜力的用户，必须重点发展；重要挽留客户：最近消费时间较远、消费频次不高 ，但消费金额高的用户 ，可能是将要流失或者已经要流失的用户，应当基于挽留措施 。除此之外 ，无监督学习也适用于降维 ，无监督学习比监督学习好处是数据不需要人工打标记，数据获取成本低 。（3）半监督学习半监督学习是监督学习和无监督学习相互结合的一种学习方法 ，通过半监督学习的方法可以实现分类 、回归 、聚类的结合使用。半监督分类：是在无类标签的样例的帮助下训练有类标签的样本 ，获得比只用有类标签的样本训练得到更优的分类；半监督回归：在无输出的输入的帮助下训练有输出的输入，获得比只用有输出的输入训练得到的回归器性能更好的回归；半监督聚类：在有类标签的样本的信息帮助下获得比只用无类标签的样例得到的结果更好的簇 ，提高聚类方法的精度；半监督降维：在有类标签的样本的信息帮助下找到高维输入数据的低维结构 ，同时保持原始高维数据和成对约束的结构不变 。半监督学习是最近比较流行的方法 。（4）强化学习强化学习是一种比较复杂的机器学习方法，强调系统与外界不断的交互反馈 ，它主要是针对流程中不断需要推理的场景 ，比如无人汽车驾驶，它更多关注性能。它是机器学习中的热点学习方法。
