方法

主要模式

特点

典型应用

普通机器学习法

采用单层感知机，关注于单个任务的学习，适用于线性可分问题

适用于数据量少时构建浅层结构，对复杂函数的表示力有限，且学习效果相对不稳定

大尺度山洪灾害敏感性研究 [29] (随机森林法)

深度机器学习法

采用多层感知机，通过对层次结构、低层次特征中提取高层次特征

属于无监督学习，当数据大量增长时学习效果突出，但其可解释性低，对电脑硬件要求高

洪水淹没水深预测 (梯度增强决策树 [31]

耦合机器学习法

通过耦合模型中额外参数的引入，实现对个体优化和全局优化的折衷

面对不充分训练数据集，可以提高预测的准确性、泛化性、不确定性、超前时间性；提高计算速度和成本

小时洪水预报(小波、自举神经网络 [32]