眉山建设局网站,微信开发公司,株洲本地新闻,帝国和织梦哪个做网站好机器学习中的典型任务类型可以分为分类任务#xff08;Classification#xff09;和回归任务#xff08;Regression#xff09;
分类任务 回归任务 简单的理解#xff0c;分类任务是对离散值进行预测#xff0c;根据每个样本的值/特征预测该样本属于类 型A、类型B 还是类…机器学习中的典型任务类型可以分为分类任务Classification和回归任务Regression
分类任务 回归任务 简单的理解分类任务是对离散值进行预测根据每个样本的值/特征预测该样本属于类 型A、类型B 还是类型C例如情感分类、内容审核相当于学习了一个分类边界决策 边界用分类边界把不同类别的数据区分开来。 回归任务是对连续值进行预测根据每个样本的值/特征预测该样本的具体数值例如房 价预测股票预测等相当于学习到了这一组数据背后的分布能够根据数据的输入预 测该数据的取值。
有监督学习监督学习利用大量的标注数据来训练模型对模型的预测值和数据的真实 标签计算损失然后将误差进行反向传播计算梯度、更新参数通过不断的学习 最终可以获得识别新样本的能力。
每条数据都有正确答案通过模型预测结果与正确答案的误差不断优化模型参数
无监督学习无监督学习不依赖任何标签值通过对数据内在特征的挖掘找到样本间 的关系比如聚类相关的任务。有监督和无监督最主要的区别在于模型在训练时是否需 要人工标注的标签信息。
只有数据没有答案常见的是聚类算法通过衡量样本之间的距离来划分类别
半监督学习利用有标签数据和无标签数据来训练模型。一般假设无标签数据远多于有 标签数据。例如使用有标签数据训练模型然后对无标签数据进行分类再使用正确分 类的无标签数据训练模型
利用大量的无标注数据和少量有标注数据进行模型训练
自监督学习机器学习的标注数据源于数据本身而不是由人工标注。目前主流大模型 的预训练过程都是采用自监督学习将数据构建成完型填空形式让模型预测对应内容 实现自监督学习。
通过对数据进行处理让数据的一部分成为标签由此构成大规模数据进行模型训练
远程监督学习主要用于关系抽取任务采用bootstrap的思想通过已知三元组在文本 中寻找共现句自动构成有标签数据进行有监督学习。
基于现有的三元组收集训练数据进行有监督学习
强化学习强化学习是智能体根据已有的经验采取系统或随机的方式去尝试各种可 能答案的方式进行学习并且智能体会通过环境反馈的奖赏来决定下一步的行为并为 了获得更好的奖赏来进一步强化学习。
以获取更高的环境奖励为目标优化模型
