新闻中心

机器学习的方法

线性回归在统计学和机器学习领域，线性回归可能是最广为人知也最易理解的算法之一。 Logistic 回归Logistic 回归是机器学习从统计学领域借鉴过来的另一种技术。它是二分类问题的首选方法。 线性判别分析Logistic 回归是一种传统的分类算法，它的使用场景仅限于二分类问题。

机器学习中常用的方法有：（1） 归纳学习 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。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。（2） 演绎学习 （3） 类比学习：典型的类比学习有案例（范例）学习。

大主要学习方式 监督式学习 在监督式学习下，输入数据被称为“训练数据”，每组训练数据有一个明确的标识或结果，如对防垃圾邮件系统中“垃圾邮件”“非垃圾邮件”，对手写数字识别中的“1“，”2“，”3“，”4“等。

集成学习（Ensemble Learning）：通过组合多个基本模型的预测结果，以获得更好的整体预测能力。常见的集成学习方法包括随机森林、梯度提升树等。联邦学习（Federated Learning）：在分布式环境中，多个设备或机器学习模型通过交互来共同训练模型，保护数据隐私的同时实现模型的优化。

机器学习的方法种类 基于学习策略的分类 （1）模拟人脑的机器学习 符号学习：模拟人脑的宏现心理级学习过程，以认知心理学原理为基础，以符号数据为输入，以符号运算为方法，用推理过程在图或状态空间中搜索，学习的目标为概念或规则等。

监督学习。监督学习表示机器学习的数据是带标记的，这些标记可以包括数据类别、数据属性以及特征点位置等，这些标记作为预期效果，不断来修正机器的预测结果。具体过程是：首先通过大量带有标记的数据来训练机器。

联邦机器学习的优势是什么?

1、在联邦机器学习中，应用比较广泛的产品是腾讯安全联邦学习应用服务（FLAS）。它具备安全性高、大数据分析能力强、接入便捷、高效率和低成本的四大优势。目前，江苏银行已经与腾讯安全达成战略合作，开启信用卡智能经营之路。

2、联邦学习 优势：联邦学习可以允许多个参与者在不共享数据的情况下构建一个通用强大的机器学习模型，从而允许解决关键问题，如数据隐私、数据安全、数据访问权限和对异构数据的访问。可以说，联邦学习是伴随着不断扩大的数据量而生的，数据无处不在，联邦学习的优势因此获得了政府、企业等各界的关注。

3、优势：传统的机器学习需要将数据汇聚到中心后才可以进行模型训练。在此过程中需要转移存储原始数据，随着数据量的增加，相对的成本也呈指数级增加；同时，在数据出域后，数据将变得不可控，从而导致数据隐私泄露，埋下数据安全隐患。

4、联邦学习的优化方向如下：联邦学习作为机器学习的一种，离不开用一堆数据建立一个机器学习模型。但问题是：现在大家隐私意识上来了，数据特别值钱要各自拿着不能放手。但人工智能总得发展啊，模型还是要一起建才能挣钱啊，于是值得研究的问题就来了。有些情况我没遇见过，但恰巧有别人遇见过。

5、我们企业里用的腾讯安全联邦学习应用服务（FLAS）蛮好的，作为一种加密的分布式机器学习技术， 联邦学习能够让参与各方在不披露底层数据和底层数据加密（混淆）形态的前提下，仍然能利用其余几方参与者提供的信息，更好地训练联合模型，提升AI模型效果。

联邦学习属于深度监督学习的内容吗

1、联邦学习属于深度监督学习的内容。联邦学习中的监督学习就是给定一组训练数据，让网络学习如何把输入和输出对应上，或者说找到输入x所对应的输出y，使预测结果逐渐接近给的标签。

2、无监督学习（Unsupervised Learning）：使用未标记的训练数据集来训练模型，以发现数据中的模式和结构。常见的无监督学习算法包括聚类分析、主成分分析、关联规则挖掘等。强化学习（Reinforcement Learning）：通过与环境进行交互，根据反馈信号来学习最优的行动策略。常见的强化学习算法包括Q学习、深度强化学习等。

3、机器学习的领域广泛，它包括监督学习（如回归和分类，通过有标签数据指导模型学习）、无监督学习（如聚类和概率图模型，探索未知数据的内在结构），以及强化学习，让计算机在与环境互动中自我优化。监督学习的代表算法有支持向量机和线性回归，而决策树和随机森林则是监督学习中的佼佼者。