熬夜沒睡飽好像成為每天必抱怨的事項了，今天畢竟踏上旅途，我們話少一些，直接開始吧！

我們在一開始有簡單說明機器學習的類型
今天的內容就是要來仔細說一下關於這些類型
讓我們從監督式學習開始吧！

監督式學習（Supervised Learning）

監督式學習是電腦知道每一個問題的答案，當已知答案的問題越做越多，對這類的問題理解也越來越深，正確率也越來越高，到最後可以自己預測或分類問題答案。

• 標籤化資料：演算法的訓練資料集會有輸入的特徵和相對的輸出標籤，標籤就是想要模型學習的預測
• 函數和模型訓練：使用函數來讓電腦能夠預測答案，在訓練過程中使用函數來最小化模型預測與實際標籤之間的差距
• 泛化：能夠對新的、沒見過的資料準確的預測，而不只是在訓練資料上表現很好

常見的監督式學習演算法

• 線性迴歸（ Linear Regression ）：用於預測連續數值，通過一條線來模擬資料之間的線性關係
• 決策樹（ Decision Trees ）：基於資料特徵的二元分類樹，用於分類和迴歸問題
• 隨機森林（ Random Forest ）：一種結合多個決策樹以提高預測準確性，用於分類和回歸問題
• 神經網路( Neural Networks )：受生物的神經細胞所啟發的機器學習模型，用於處理複雜的模式識別和預測任務
• 梯度提升樹（ Gradient Boosting Trees ）：一種通過多個弱學習器(通常是淺的決策樹)的組合，以改善預測能力
• 貝氏分類器( Naive Bayes Classifier )：基於貝氏定理的統計分類方法，用於文本分類和垃圾郵件檢測
• 邏輯迴歸（ Logistic Regression ）：用於分類問題的線性模型，用於預測二元結果
• 支援向量機(Support Vector Machine)：通過在特徵空間中找到最佳分離超平面，用於分類和迴歸的機器學習模型
• K-近鄰演算法（ K-Nearest Neighbors，K-NN ）：根據最接近的鄰居來預測資料點的類別或值，用於分類和迴歸方法

監督型學習兩種主要類型

分類（ Classification ）

將輸入資料分為不同的類別或標籤，模型會用演算法學習如何將離散變數分類，通常用於區分不同的物體、事件或情境

迴歸（ Regression ）

模型學習如何預測一個或多個連續數值輸出，訓練演算法利用一個連續範圍內的可能值，需要識別輸入參數和輸出值之間的函數關係來預測輸出結果，通常用於估計數值

二元分類( binary classification )

二元分類目的是將資料分為兩個可能的類別或類別標籤之一，二元分類通常用於解決是否、正負、合格或不合格等只有二元決策的問題
二元分類是最基本和常見的分類問題，很多演算法都可以解決這些問題

多元分類 ( Multi-class Classification )

多元分類目的是將資料分為多個可能的類別或類別標籤之一。多元分類通常用於區分多個不同的對象、情境或事件
常見的實例有手寫數字識別（區分 0 到 9 ）、圖像分類、自然語言處理中的文本分類等

優缺比較

二元分類的優點

• 簡單高效
• 多應用場景

二元分類的缺點

• 信息有限

多元分類的優點

• 應對多類別
• 豐富資訊
• 廣泛應用

多元分類的缺點

• 複雜多樣
• 不平衡分佈

今天好像給不了更多有用的資訊了
明天也是滿堂
明晚也有專題的事要處理
可能六日會比較有空
那時再把數學的東西
還有實作的部分仔細說說
應該喇

參考資料

https://medium.com/marketingdatascience/%E6%A9%9F%E5%99%A8%E5%AD%B8%E7%BF%92%E6%BC%94%E7%AE%97%E6%B3%95-%E7%9B%A3%E7%9D%A3%E8%88%87%E9%9D%9E%E7%9B%A3%E7%9D%A3%E5%BC%8F%E5%AD%B8%E7%BF%92-e9dbeee94a30
https://www.tibco.com/zh-hant/reference-center/what-is-supervised-learning
https://claire-chang.com/2023/01/11/%E4%BA%8C%E5%85%83%E5%88%86%E9%A1%9E-binary-classification-%E4%BB%8B%E7%B4%B9/