企业做网站需要哪些材料,seo实战培训班,网站制作 网络推广,网站关键词优化排名要怎么做前言 机器学习分为#xff1a;监督学习#xff0c;无监督学习#xff0c;半监督学习#xff08;也可以用hinton所说的强化学习#xff09;等。 在这里#xff0c;主要理解一下监督学习和无监督学习。 监督学习#xff08;supervised learning#xff09; 从给定的训…前言 机器学习分为监督学习无监督学习半监督学习也可以用hinton所说的强化学习等。 在这里主要理解一下监督学习和无监督学习。 监督学习supervised learning 从给定的训练数据集中学习出一个函数模型参数当新的数据到来时可以根据这个函数预测结果。监督学习的训练集要求包括输入输出也可以说是特征和目标。训练集中的目标是由人标注的。监督学习就是最常见的分类注意和聚类区分问题通过已有的训练样本即已知数据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表示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分类的能力。监督学习的目标往往是让计算机去学习我们已经创建好的分类系统模型。 监督学习是训练神经网络和决策树的常见技术。这两种技术高度依赖事先确定的分类系统给出的信息对于神经网络分类系统利用信息判断网络的错误然后不断调整网络参数。对于决策树分类系统用它来判断哪些属性提供了最多的信息。 常见的有监督学习算法回归分析和统计分类。最典型的算法是KNN和SVM。 有监督学习最常见的就是regressionclassification RegressionY是实数vector。回归问题就是拟合(x,y)的一条曲线使得价值函数(costfunction) L最小 ClassificationY是一个有穷数(finitenumber)可以看做类标号分类问题首先要给定有lable的数据训练分类器故属于有监督学习过程。分类过程中cost function l(X,Y)是X属于类Y的概率的负对数。 其中fi(X)P(Yi/X)。 无监督学习unsupervised learning 输入数据没有被标记也没有确定的结果。样本数据类别未知需要根据样本间的相似性对样本集进行分类聚类clustering试图使类内差距最小化类间差距最大化。通俗点将就是实际应用中不少情况下无法预先知道样本的标签也就是说没有训练样本对应的类别因而只能从原先没有样本标签的样本集开始学习分类器设计。 非监督学习目标不是告诉计算机怎么做而是让它计算机自己去学习怎样做事情。非监督学习有两种思路。第一种思路是在指导Agent时不为其指定明确分类而是在成功时采用某种形式的激励制度。需要注意的是这类训练通常会置于决策问题的框架里因为它的目标不是为了产生一个分类系统而是做出最大回报的决定这种思路很好的概括了现实世界agent可以对正确的行为做出激励而对错误行为做出惩罚。 无监督学习的方法分为两大类 (1)    一类为基于概率密度函数估计的直接方法指设法找到各类别在特征空间的分布参数再进行分类。 (2)    另一类是称为基于样本间相似性度量的简洁聚类方法其原理是设法定出不同类别的核心或初始内核然后依据样本与核心之间的相似性度量将样本聚集成不同的类别。 利用聚类结果可以提取数据集中隐藏信息对未来数据进行分类和预测。应用于数据挖掘模式识别图像处理等。 PCA和很多deep learning算法都属于无监督学习。  两者的不同点 1.      有监督学习方法必须要有训练集与测试样本。在训练集中找规律而对测试样本使用这种规律。而非监督学习没有训练集只有一组数据在该组数据集内寻找规律。 2.      有监督学习的方法就是识别事物识别的结果表现在给待识别数据加上了标签。因此训练样本集必须由带标签的样本组成。而非监督学习方法只有要分析的数据集的本身预先没有什么标签。如果发现数据集呈现某种聚集性则可按自然的聚集性分类但不予以某种预先分类标签对上号为目的。 3.      非监督学习方法在寻找数据集中的规律性这种规律性并不一定要达到划分数据集的目的也就是说不一定要“分类”。 这一点是比有监督学习方法的用途要广。    譬如分析一堆数据的主分量或分析数据集有什么特点都可以归于非监督学习方法的范畴。 4.      用非监督学习方法分析数据集的主分量与用K-L变换计算数据集的主分量又有区别。后者从方法上讲不是学习方法。因此用K-L变换找主分量不属于无监督学习方法即方法上不是。而通过学习逐渐找到规律性这体现了学习方法这一点。在人工神经元网络中寻找主分量的方法属于无监督学习方法。  何时采用哪种方法 简单的方法就是从定义入手有训练样本则考虑采用监督学习方法无训练样本则一定不能用监督学习方法。但是现实问题中即使没有训练样本我们也能够凭借自己的双眼从待分类的数据中人工标注一些样本并把它们作为训练样本这样的话可以把条件改善用监督学习方法来做。对于不同的场景正负样本的分布如果会存在偏移可能大的偏移可能比较小这样的话监督学习的效果可能就不如用非监督学习了。