郑秀莲

(泰州机电高等职业技术学校，江苏泰州 225300)

多目标优化方法在机器学习中的应用简述

郑秀莲

(泰州机电高等职业技术学校，江苏泰州 225300)

文章概述了多目标优化方法解决机器学习问题的现状，重点对基于Pareto的多目标优化方法进行分析，通过有监督学习中的分类问题和无监督学习中的聚类问题，表明使用基于Pareto多目标优化方法解决机器学习问题的优点，得到对所解决问题的更深的认识。

多目标优化;有监督学习;无监督学习

一、引言

机器学习可以大致分为三类，一类是有监督学习，该类问题的模型能近似地实现给定的输入数据和输出数据之间的映射，典型的有回归问题或分类问题;二是无监督学习，数据聚类是一个典型的无监督的机器学习，聚类将给定的数据集中的数据分配到不同的簇中，使属于同一簇的数据具有较高的相似度;第三类是强化学习，其目的是在某一特定的环境下，找到一个模型能最大限度地累积奖励。

在机器学习中按词典排序的多目标优化，标量式的多目标优化以及基于Pareto的多目标优化较常用，下面就多目标优化在有监督学习和无监督学习中用法做出具体阐述。

二、多目标优化的有监督学习

多目标优化的有监督学习的关注点是必须产生具备良好性能的学习模型，该模型既对训练数据集有良好的逼近性能，又对测试数据集有效。

近年来，关于将多目标优化算法应用到分类问题中的研究越来越多，分类算法经常使用总体分类精确度为指导标准来构造一个模型，最主要的目标是最大化模型的分类性能。……