机器学习正在渗透各行各业，但很多人对它到底分几类、各自解决什么问题并不清楚。简单来说，机器学习主要分为四种学习范式：监督学习、无监督学习、强化学习和半监督学习。

监督学习：有标准答案的学习

打开网易新闻 查看精彩图片

监督学习依赖带标签的数据，相当于给算法提供“标准答案”。模型通过大量输入与输出的对应关系，学会预测新数据的标签。常见的应用包括垃圾邮件识别、房价预测和图像分类等。

无监督学习：自己找规律

与监督学习不同，无监督学习处理的是没有标签的数据，算法需要自行发现数据中的结构或模式。典型应用包括用户分群、异常检测和推荐系统中的关联分析。

强化学习：在试错中优化决策

强化学习通过“奖励”和“惩罚”机制驱动模型不断调整策略，以最大化长期收益。它在游戏博弈、机器人控制和自动驾驶决策等领域表现突出。

半监督学习：兼顾成本与效果

半监督学习介于前两者之间，利用少量标注数据配合大量未标注数据进行训练，在标注成本高昂的场景中尤为实用，比如医疗影像分析。

这四种范式并非互斥，实际项目中常组合使用。理解它们的差异，有助于针对具体问题选择合适的技术路线。