• <noframes id="JMeqA">
        <form id="JMeqA"></form><section id="JMeqA"><aside id="JMeqA"><small id="JMeqA"><keygen id="JMeqA"></keygen></small><input id="JMeqA"><dfn id="JMeqA"></dfn><audio id="JMeqA"></audio></input></aside></section><del id="JMeqA"><map id="JMeqA"></map></del>
        <aside id="JMeqA"></aside><select id="JMeqA"><var id="JMeqA"><section id="JMeqA"><figure id="JMeqA"></figure></section></var><var id="JMeqA"></var></select><small id="JMeqA"><col id="JMeqA"></col></small>

        机器学习的不同类型

        有监督的和无监督的主要是由许多机器学习工程师和数据极客使用。

        强化学习对于解决问题非常强大且复杂。

        有监督学习

        我们知道,机器学习以数据为输入,我们称这个数据为训练数据。

        训练数据包括输入和标签(目标)。

        什么是输入和标签(目标)?例如,两个数字相加a=5,b=6结果=11,输入为5,6,目标为11。

        我们首先用大量的训练数据(输入和目标)来训练模型。
        然后利用新数据和我们之间获得的逻辑来预测输出。

        (注:我们不能得到准确的6作为答案,我们可以得到接近6的值,基于训练数据和算法)

        这个过程被称为监督学习,它非常快速和准确。

        回归:这是我们需要预测连续响应值的一类问题(例如:上面我们预测的数字可以从-∞变化到+∞)

        一些示例

        • 一个城市的房价是多少?
        • 股票的价值是多少?
        • 一场板球比赛可以有多少分?

        等等,我们可以预测很多事情。

        分类:这是一类我们预测类别响应值的问题,数据可以被分成特定的“类”(例如:我们预测一组值中的一个值)。

        一些例子是:

        • 这封邮件是不是垃圾邮件?
        • 今天会下雨吗?
        • 这张照片到底是不是一只猫?

        基本上,“是/否”类型的问题被称为二元分类。

        其他例子包括:

        • 这封邮件是垃圾邮件、重要邮件还是促销邮件?
        • 这幅画是猫、狗还是老虎?

        这种类型称为多类分类。

        这是最后一张图片。

        这就是监督学习的全部内容。

        无监督学习

        训练数据不包括目标,所以我们不告诉系统去哪里,系统必须从我们给出的数据中了解自己。

        这里的训练数据不是结构化的(包含噪声数据、未知数据等)。

        例如:来自不同页面的随机文章

        无监督学习也有不同的类型,比如聚类和异常检测(聚类非常有名)。

        聚类:这是一种把相似的东西聚在一起的问题。
        有点类似于多类分类,但这里我们不提供标签,系统从数据本身理解和聚类数据。

        一些例子是:

        • 给定新闻文章,将其聚合成不同类型的新闻
        • 给定一组tweets,根据tweets的内容进行聚类
        • 给定一组图像,将它们聚成不同的对象

        无监督学习是一种较难实现的学习方法,其应用范围不及有监督学习。

        我想在另一篇文章中介绍强化学习,因为它很激烈。 所以

        这就是这个文章的全部内容,希望你能有所了解。

        版权声明:作者保留权利。文章为作者独立观点,不代表数据人网立场。严禁修改,转载请注明原文链接:http://shujuren.org/article/788.html
        数据人网:数据人学习,交流和分享的平台,诚邀您创造和分享数据知识,共建和共享数据智库。

        本文出处:数据人,链接:http://shujuren.org/article/788.html,采用「CC BY-SA 4.0 CN」协议转载学习交流,内容版权归原作者所有,如涉作品、版权和其他问题请联系「我们」处理。

        发表评论

        登录后才能评论

        联系我们

        如有建议:>>给我留言

        大数据交流群:

        统? 计? 学 网络分析网-统计学

        商业智能?网络分析网-商业智能

        数据挖掘?数据分析-数据挖掘

        数据产品?网络分析网-数据产品

        QR code