网站申请注册个域名,网站建设公司的重要性,dw做网站首页代码,做网站如何分类产品目录 一、监督学习
#xff08;一#xff09;回归
#xff08;二#xff09;分类
二、无监督学习
聚类 一、监督学习 介绍#xff1a;监督学习是指学习输入到输出#xff08;x-y#xff09;映射的机器学习算法#xff0c;监督即理解为#xff1a;已知正确答案…目录 一、监督学习
一回归
二分类
二、无监督学习
聚类 一、监督学习 介绍监督学习是指学习输入到输出x-y映射的机器学习算法监督即理解为已知正确答案对其学习结果进行监督 原理提供算法示例以供学习通过查看 x-y 的正确示例使得算法最终达到给定输入值 x 可以获得对于输出值 y 的合理预测或猜测结果 例子监督学习主要包括分类问题和回归问题如一个判断邮件是否为垃圾邮件、广告公司根据客户数据判断是否会点击广告、根据房子的面积拟合合适的线条预测房价等等。
一回归 如下图是一个监督学习的特殊例子——回归给定了算法一个数据集其中对于每个面积 x都有一个“正确答案”——y 标签学习算法将持续进行学习从无数个可能的输入对象预测结果 未来探讨的问题在于如何选择合适的直线或其他曲线对模型拟合
二分类 例子医生使用一个诊断工具根据病人医疗记录数据判断肿瘤是否是恶性的还是良性的从而检测一名病人是否患有乳腺癌 为了简便假设可以通过肿瘤大小这一属性判断其性质在过往数据集里可能有各种各样大小的肿瘤如下横轴代表肿瘤大小标记代表两个值O为良性X为恶性学习算法可以以此判断是否为恶性肿瘤 有可能会有多个输出类型 也可以有多个输入值来预测输出如根据年龄和肿瘤大小两个属性判断是否恶性 基于这样的数据集学习算法要做的是找到合适的边界区分恶性肿瘤和良性肿瘤 除此之外可能会有更多的属性进行协助判断并得出结果 分类与回归的最大区别分类输出的是预测类别离散、小而有限如0,1,2则不能是除了这三类外的任意结果而回归会从无限个可能的输入预测输出数值
二、无监督学习
聚类 监督学习中每个示例 x 与输出标签 y 相关联x-y而在无监督学习中数据并未和任意输出标签相关我们也没有对输入值指定一个所谓的“正确答案”而是在数据集中发现其本身特有的结构或模式。 如在上述肿瘤检测的问题中我们并未给定所谓“良性”或“恶性”的标签而由聚类算法无监督学习的一种根据数据集的特征自行决定如何把并未标记的数据集划分为不同集群 如对于一个“某一些人为什么想学习AI”这个问题聚类算法会根据客户信息的数据库在没有标签的情况下自动将客户划分为某些类别这个过程并不需要人为干预这种即为无监督学习
