有监督学习(supervised-learning)和无监督学习(unsupervised-learning).docx
《有监督学习(supervised-learning)和无监督学习(unsupervised-learning).docx》由会员分享,可在线阅读,更多相关《有监督学习(supervised-learning)和无监督学习(unsupervised-learning).docx(2页珍藏版)》请在三一文库上搜索。
1、精品文档有监督学习 (supervised learning)和无监督学习 (unsupervised learning)机器学习的常用方法,主要分为有监督学习(supervised learning)和无监督学习(unsupervised learning) 。监督学习,就是人们常说的分类,通过已有的训练样本(即已知数据以及其对应的输出)去训练得到一个最优模型(这个模型属于某个函数的集合,最优则表示在某个评价准则下是最佳的),再利用这个模型将所有的输入映射 为相应的输出,对输出进行简单的判断从而实现分类的目的,也就具有了对未知数据进行分类的能力。在人对事 物的认识中,我们从孩子开始就被大人们
2、教授这是鸟啊、那是猪啊、那是房子啊,等等。我们所见到的景物就是 输入数据,而大人们对这些景物的判断结果(是房子还是鸟啊)就是相应的输出。当我们见识多了以后,脑子里 就慢慢地得到了一些泛化的模型,这就是训练得到的那个 (或者那些)函数,从而不需要大人在旁边指点的时候,我们也能分辨的出来哪些是房子,哪些是鸟。监督学习里典型的例子就是KNN SVM无监督学习(也有人叫非监督学习,反正都差不多)则是另一种研究的比较多的学习方法,它与监督学习的不同之处,在于我们事先没有任 何训练样本,而需要直接对数据进行建模。这听起来似乎有点不可思议,但是在我们自身认识世界的过程中很多 处都用到了无监督学习。比如我们去
3、参观一个画展,我们完全对艺术一无所知,但是欣赏完多幅作品之后,我们 也能把它们分成不同的派别(比如哪些更朦胧一点,哪些更写实一些,即使我们不知道什么叫做朦胧派,什么叫 做写实派,但是至少我们能把他们分为两个类)。无监督学习里典型的例子就是聚类了。聚类的目的在于把相似 的东西聚在一起,而我们并不关心这一类是什么。因此,一个聚类算法通常只需要知道如何计算相似度就可以开 始工作了。那么,什么时候应该采用监督学习,什么时候应该采用非监督学习呢?我也是从一次面试的过程中被问 到这个问题以后才开始认真地考虑答案。一种非常简单的回答就是从定义入手,如果我们在分类的过程中有训练 样本(training dat
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 监督 学习 supervised learning unsupervised
链接地址:https://www.31doc.com/p-10728635.html