监督学习与无监督学习

本文共810个字,预计阅读时间需要3分钟。

机器学习如果按照训练样本标签的有无可以分为以下两种常用方法。
监督学习(supervised learning)和无监督学习(unsupervised learning)。

以机器学习中的分类(classification)来说,输入的训练数据有特征(feature),有标签(label)。在分类过程中,如果所有训练数据都有标签,则为有监督学习(supervised learning)。如果数据没有标签,显然就是无监督学习(unsupervised learning)了,也即聚类(clustering)。

监督学习,就是通过已有的训练样本(即已知数据以及其对应的输出)去训练得到一个最优模型(这个模型属于某个函数的集合,最优则表示在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进行分类的能力。
典型的例子就是KNN、SVM。

KNN算法:http://www.omegaxyz.com/2018/01/08/knn/?hilite=%27KNN%E7%AE%97%E6%B3%95%27

SVM算法:http://www.omegaxyz.com/tag/svm/

无监督学习(或者叫非监督学习)则是另一种。它与监督学习的不同之处,在于我们事先没有任何训练样本,而需要直接对数据进行建模。
无监督学习里典型的例子就是聚类了。

k-means聚类算法:http://www.omegaxyz.com/2018/01/27/kmeans/?hilite=%27%E8%81%9A%E7%B1%BB%27

因此,learning家族的整体构造是这样的:
有监督学习(分类,回归)

半监督学习(分类,回归),transductive learning(分类,回归)

半监督聚类(有标签数据的标签不是确定的,类似于:肯定不是xxx,很可能是yyy)

无监督学习(聚类)

读者评分
[评分人数: 0 平均分: 0]

评论

OmegaXYZ