介紹監(jiān)督學(xué)習(xí)和無監(jiān)督學(xué)習(xí)有什么區(qū)別？
對(duì)于機(jī)器學(xué)習(xí)的初學(xué)者和新手來說，這是一個(gè)常見的問題。答案是理解機(jī)器學(xué)習(xí)算法本質(zhì)的核心。如果沒有明白監(jiān)督學(xué)習(xí)與無監(jiān)督學(xué)習(xí)之間的區(qū)別，你的機(jī)器學(xué)習(xí)之旅就無法繼續(xù)進(jìn)行。實(shí)際上，這是你踏上機(jī)器學(xué)習(xí)之旅之初應(yīng)該學(xué)習(xí)的東西。如果我們不了解線性回歸，邏輯回歸，聚類，神經(jīng)網(wǎng)絡(luò)等算法的適用范圍，就不能簡單地跳到模型構(gòu)建階段。
如果我們不知道機(jī)器學(xué)習(xí)算法的目標(biāo)是什么，我們將無法建立一個(gè)準(zhǔn)確的模型。這就是監(jiān)督學(xué)習(xí)與無監(jiān)督學(xué)習(xí)的由來。在這篇文章中，我將用例子討論這兩個(gè)概念，并回答一個(gè)大問題——如何決定何時(shí)使用監(jiān)督學(xué)習(xí)或非監(jiān)督學(xué)習(xí)？什么是監(jiān)督學(xué)習(xí)？在監(jiān)督學(xué)習(xí)中，計(jì)算機(jī)是通過數(shù)據(jù)來訓(xùn)練的。它從過去的數(shù)據(jù)中學(xué)習(xí)，并將學(xué)習(xí)到的東西應(yīng)用到現(xiàn)在的數(shù)據(jù)中，以預(yù)測(cè)未來的事件。在這種情況下，輸入數(shù)據(jù)和期望的輸出數(shù)據(jù)都為預(yù)測(cè)未來事件提供幫助。為了準(zhǔn)確預(yù)測(cè)，輸入數(shù)據(jù)被標(biāo)記了正確的類別。
監(jiān)督機(jī)器學(xué)習(xí)分類重要的是要先記住，所有有監(jiān)督學(xué)習(xí)算法本質(zhì)上都是復(fù)雜的算法，分為分類或回歸模型。1） 分類模型：分類模型用于輸出變量可以分類的問題，例如“是”或“否”、“通過”或“失敗”。分類模型用于預(yù)測(cè)數(shù)據(jù)的類別?，F(xiàn)實(shí)生活中的例子包括垃圾郵件檢測(cè)、情緒分析、考試記分卡預(yù)測(cè)等。2） 回歸模型：回歸模型用于輸出變量為實(shí)際值的問題，例如唯一的數(shù)字、美元、工資、體重或壓力。它通常用于根據(jù)先前的數(shù)據(jù)觀測(cè)預(yù)測(cè)數(shù)值。一些比較常見的回歸算法包括線性回歸、logistic回歸、多項(xiàng)式回歸和嶺回歸。
監(jiān)督學(xué)習(xí)算法在現(xiàn)實(shí)生活中有一些非常實(shí)際的應(yīng)用，包括：文本分類人臉檢測(cè)簽名識(shí)別客戶發(fā)現(xiàn)垃圾郵件檢測(cè)天氣預(yù)報(bào)根據(jù)當(dāng)前市場價(jià)格預(yù)測(cè)房價(jià)股票價(jià)格預(yù)測(cè)等什么是無監(jiān)督學(xué)習(xí)？另一方面，無監(jiān)督學(xué)習(xí)是訓(xùn)練機(jī)器使用既沒有分類也沒有標(biāo)記的數(shù)據(jù)的方法，這意味著不能提供任何訓(xùn)練數(shù)據(jù)，機(jī)器只能自己學(xué)習(xí)。機(jī)器必須能夠?qū)?shù)據(jù)進(jìn)行分類，而無需事先提供任何有關(guān)數(shù)據(jù)的信息。其思想是將機(jī)器暴露在大量變化的數(shù)據(jù)中，并允許它從這些數(shù)據(jù)中學(xué)習(xí)，以提供以前未知的見解，并識(shí)別隱藏的模式。因此，沒有必要定義無監(jiān)督學(xué)習(xí)算法的結(jié)果，相反，它確定了與給定數(shù)據(jù)集不同或有趣的內(nèi)容。這臺(tái)機(jī)器需要編程才能自動(dòng)學(xué)習(xí)。計(jì)算機(jī)需要理解結(jié)構(gòu)化和非結(jié)構(gòu)化數(shù)據(jù)。以下是無監(jiān)督學(xué)習(xí)的精確說明：
1）聚類是最常見的無監(jiān)督學(xué)習(xí)方法之一。聚類的方法包括將未標(biāo)記的數(shù)據(jù)組織到稱為聚類的集群中。因此，集群是類似數(shù)據(jù)項(xiàng)的集合。這里的主要目標(biāo)是發(fā)現(xiàn)數(shù)據(jù)點(diǎn)之間的相似性，并將相似的數(shù)據(jù)點(diǎn)分組到一個(gè)集群中。2）異常檢測(cè)是指識(shí)別與大部分?jǐn)?shù)據(jù)有顯著差異的稀有項(xiàng)、事件或觀測(cè)值的方法。我們通常在數(shù)據(jù)中尋找異?；虍惓Ｖ担?yàn)樗鼈兪强梢傻?。異常檢測(cè)常用于銀行詐騙和醫(yī)療差錯(cuò)檢測(cè)。無監(jiān)督學(xué)習(xí)算法的應(yīng)用無監(jiān)督學(xué)習(xí)算法的一些實(shí)際應(yīng)用包括：欺詐檢測(cè)惡意軟件檢測(cè)數(shù)據(jù)輸入過程中人為錯(cuò)誤的識(shí)別進(jìn)行精確的購物籃分析等你應(yīng)該怎么選擇監(jiān)督學(xué)習(xí)和無監(jiān)督學(xué)習(xí)？在制造業(yè)中，哪種機(jī)器學(xué)習(xí)方法最適合給定的任務(wù)受著有許多因素的影響。而且，由于每個(gè)機(jī)器學(xué)習(xí)問題都是不同的，決定使用哪種技術(shù)是一個(gè)復(fù)雜的過程。一般來說，磨練正確機(jī)器學(xué)習(xí)方法的一個(gè)好策略是：評(píng)估數(shù)據(jù)。它有標(biāo)簽嗎？是否有專家知識(shí)支持附加標(biāo)簽？這將有助于確定是否應(yīng)使用有監(jiān)督、無監(jiān)督、半監(jiān)督或強(qiáng)化的學(xué)習(xí)方法明確目標(biāo)。這個(gè)問題是反復(fù)出現(xiàn)的嗎？或者，該算法是否有望預(yù)測(cè)新的問題？回顧在維數(shù)（特征、屬性或特征的數(shù)量）方面可能適合該問題的現(xiàn)有算法。候選算法應(yīng)該適合整個(gè)數(shù)據(jù)量及其結(jié)構(gòu)研究算法類型在相似問題中的成功應(yīng)用最后的話監(jiān)督學(xué)習(xí)和非監(jiān)督學(xué)習(xí)是機(jī)器學(xué)習(xí)領(lǐng)域的關(guān)鍵概念。在學(xué)習(xí)不同的機(jī)器學(xué)習(xí)算法之前，對(duì)基礎(chǔ)知識(shí)的正確理解是非常重要的。
（免責(zé)聲明：本網(wǎng)站內(nèi)容主要來自原創(chuàng)、合作伙伴供稿和第三方自媒體作者投稿，凡在本網(wǎng)站出現(xiàn)的信息，均僅供參考。本網(wǎng)站將盡力確保所提供信息的準(zhǔn)確性及可靠性，但不保證有關(guān)資料的準(zhǔn)確性及可靠性，讀者在使用前請(qǐng)進(jìn)一步核實(shí)，并對(duì)任何自主決定的行為負(fù)責(zé)。本網(wǎng)站對(duì)有關(guān)資料所引致的錯(cuò)誤、不確或遺漏，概不負(fù)任何法律責(zé)任。
任何單位或個(gè)人認(rèn)為本網(wǎng)站中的網(wǎng)頁或鏈接內(nèi)容可能涉嫌侵犯其知識(shí)產(chǎn)權(quán)或存在不實(shí)內(nèi)容時(shí)，應(yīng)及時(shí)向本網(wǎng)站提出書面權(quán)利通知或不實(shí)情況說明，并提供身份證明、權(quán)屬證明及詳細(xì)侵權(quán)或不實(shí)情況證明。本網(wǎng)站在收到上述法律文件后，將會(huì)依法盡快聯(lián)系相關(guān)文章源頭核實(shí)，溝通刪除相關(guān)內(nèi)容或斷開相關(guān)鏈接。 ）
