日期: 2024-04-17 09:29 查看: 15 次编辑导出本文

监督学习和无监督学习

## 监督学习与非监督学习
传统的图片识别里，主要是人工预定义一些特征值来表示物件，例如定义小狗：两只眼镜，两只耳朵，四只蹄子等，但是满足上面特征值的动物很多，无法进行精确判断。利用计算机机器学习，可以预先导入足够多的狗狗照片，由计算机自动提取一些关键点，后期，计算机再通过这些关键点来判断新的照片是否是狗狗，这就是简单的机器学习。  在机器学习里，最常见的是监督学习与非监督学习。
  
#### 监督学习
  如果我给计算机猫和狗的图片，然后告诉计算机哪个是猫，哪个是狗。计算机根据我给出的“图片和答案的特征”去学习“猫为什么是猫，狗为什么是狗”，这种带着打好的标签去学习的方式叫做监督学习。
   ![图片](/uploads/2024-04/b7b802.jpg){width=300px}
   
 #### 非监督学习
 同样是我给计算机猫和狗的照片，但是我不告诉计算机哪个是猫，哪个是狗。我让你自己去判断总结猫和狗的图片的不同之处，以此来完成猫和狗的分类。
 
 
 ## 监督学习
 在监督学习中，计算机通过示例学习。它从过去的数据中学习，并将学习的结果应用到当前的数据中，以预测未来的事件。在这种情况下，输入和期望的输出数据都有助于预测未来事件。为了准确预测，将输入数据标记为正确答案。
  ![图片](/uploads/2024-04/7fce6b.jpg)  
 
 ### 回归模型
 回归模型用于输出变量为实际值的问题，例如单一的数字、美元、薪水、体重或压力。它最常用于根据先前的观测数据来预测数值。一些比较常见的回归算法包括线性回归、逻辑回归、多项式回归和脊回归。
 
 ### 分类模型
 分类模型用于可以对输出变量进行分类，例如“是”或“否”、“通过”或“失败”。分类模型用于预测数据的类别。现实生活中的例子包括垃圾邮件检测、情绪分析、考试记分卡预测等
  ![图片](/uploads/2024-04/699283.jpg)
  
#### 监督学习的应用
· 文本分类
· 垃圾邮件检测
· 天气预报
· 根据当前市场价格预测房价
· 股票价格预测等
· 人脸识别
· 签名识别
· 客户发现

### 非监督学习
无监督学习是训练机器使用既未分类也未标记的数据的方法。这意味着无法提供训练数据，机器只能自行学习。机器必须能够对数据进行分类，而无需事先提供任何有关数据的信息。

其理念是先让计算机与大量变化的数据接触，并允许它从这些数据中学习，以提供以前未知的见解，并识别隐藏的模式。因此，无监督学习算法不一定有明确的结果。相反，它确定了与给定数据集不同或有趣之处。

计算机需要编程才能自学。计算机需要从结构化和非结构化数据中理解和提供见解。以下是无监督学习的准确说明：
 ![图片](/uploads/2024-04/4df697.jpg)
 
 无监督机器学习分类

1.聚类是最常见的无监督学习方法之一。聚类的方法包括将未标记的数据组织成类似的组，称为聚类。因此，聚类是相似数据项的集合。此处的主要目标是发现数据点中的相似性，并将相似的数据点分组到一个聚类中。

2.异常检测是识别与大多数数据显著不同的特殊项、事件或观测值的方法。通常在数据中寻找异常或异常值的原因在于它们是可疑的。异常检测常用于银行欺诈和医疗差错检测。

#### 无监督学习算法的应用
无监督学习算法的一些实际应用包括：
· 恶意软件检测
· 数据输入过程中人为错误识别
· 进行准确的购物篮分析等
· 欺诈检测

上一篇：人眼如何识别边缘图像

下一篇：没有了

本文对您是否有用？有用 (0) 无用 (0) 赞助我们

0 篇笔记写笔记

更多笔记