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。

时间:2019-03-28 23:23  来源:未知    转发量:次