图解数据智能

强化学习 【导读】强化学习、监督学习和半监督学习属于机器学习的三个大类。强化学习（Reinforcement Learning）又被称为再励学习、评价学习或增强学习，是除了监督学习和无监督学习之外的第三种机器学习方法。 强化学习指的是机器选择一个动作用于环境，环境接受该动作后状态发生变化，同时产生一个强化信号（奖或惩）反馈给机器，机器根据强化信号和环境当前状态再选择下一个动作，选择的原则是使受到正强化（奖）的概率增大。 接下来，将围绕小美养狗的故事，告诉你什么是强化学习，以及强化学习与监督学习、无监督学习的区别。 什么是强化学习 小美家里新养了一只宠物小狗狗，但是初来乍到的狗狗并不懂家里的规矩，于是，小美想要给它训训家规。 此处，我们请把小狗狗看作机器主体，“它不懂家里规矩”对应强化学习中的“数据无标签，机器在没有尝试前不知道什么是对什么是错。” **天，狗狗在家里乱尿尿了，小美打了它，并且罚它半天不能吃狗粮。下午，狗狗去厕所尿尿，小美摸了摸它，并且奖励了狗狗好吃的。不断循环往复，狗狗明白了：在厕所尿尿=主人高兴+有好吃的；四处在客厅尿尿=主人不开心+会被打一顿+没有吃的。慢慢地，狗狗再也不会在家里四处乱尿尿了，变成了一只爱干净的狗狗。 上述例子中的“狗狗在家里乱尿尿了”对应着强化学习中的“行为”，只有有了行为才有行为所对应的外界的反馈，而这个反馈就是“小美打它，并且不给他吃的”。而后面的“狗狗去厕所尿尿后，小美奖励食物”对应的是强化学习的“（正）强化信号”。 狗狗（机器）在循环往复地试错后，明白了什么是对的，什么是错的，并且不断地去趋向对的行为，寻求*佳的表现结果。 强化学习与监督学习的区别 可能有人会疑问，感觉强化学习和之前咱们提过的监督学习很相似呀，都有一个“训练导师”。 是的，虽然如此，但不同的是：监督学习的数据有标签，通过“带有答案”的数据来训练（例如，你拎着狗狗，去整个屋子的四处全都走一遍，告诉它这是可以尿尿的，而那里是不可以尿尿的）。 而强化学习的数据无标签，只有尝试了，才能得到反馈（例如，在客厅尿尿了，被打了；在厕所尿尿，被表扬了，并且奖励了好吃的），从反馈中，调整之前的行为（狗狗知道了什么是会被表扬的，就会去做，知道了做什么会被打，就不做了），就这样不断地调整，机器能够学习到在什么样的情况下选择什么样的行为可以得到*好的结果（狗狗以后都到厕所去尿尿了）。 强化学习与无监督学习的区别 可能还有人会说，数据都是无标签的，那么强化学习和无监督学习不是很像吗？ 不同的是，无监督学习是从无标签的数据集中发现隐藏的结构（例如，狗狗观察了下家里的环境，知道了马桶、垃圾桶和地毯都是圆的，衣柜、电视机、抽屉都是有棱角的）。而强化学习的目标是获得*大化奖励的结果（狗狗内心os：我知道在厕所以外的地方尿尿，会被打，在厕所尿尿会被夸，我以后要做一只被奖励的狗狗）。 总而言之，强化学习就是让计算机从什么都不懂，通过不断尝试，在环境给予的奖励或惩罚的刺激下，逐步形成对刺激的预期，在规律中学习的一种方法。强化学习的应用很广泛，无论是日常社交平台中的推荐、优化、猜你喜欢等，还是游戏、自动驾驶，甚至是大家所熟知的苹果智能语音助手Siri或者是战胜世界**围棋手的阿尔法围棋（AlphaGo），都有着强化学习的相应尝试与实践。