有监督学习、无监督学习-Toy模板网

这篇具有很好参考价值的文章主要介绍了有监督学习、无监督学习。希望对大家有所帮助。如果存在错误或未考虑完全的地方，请大家不吝赐教，您也可以点击"举报违法"按钮提交疑问。

什么是有监督学习、无监督学习

一、有监督学习（Supervised Learning）

1.1定义
在监督学习中，模型使用标记数据集进行训练，其中模型学习每种类型的数据。训练过程完成后，模型会根据测试数据（训练集的子集）进行测试，然后预测输出。
.
.
1.2.监督学习的步骤
首先确定训练数据集的类型
收集/收集标记的训练数据（一般可能需要手动标记）
将训练数据集拆分为训练数据集、测试数据集和验证数据集。
确定训练数据集的输入特征，这些特征应该有足够的知识使模型能够准确地预测输出。
确定适合模型的算法，如支持向量机、决策树等。
在训练数据集上执行算法。有时我们需要验证集作为控制参数，它们是训练数据集的子集。
通过提供测试集来评估模型的准确性。如果模型预测出正确的输出，这意味着我们的模型是准确的。
.
.
1.3算法的类型
监督学习可以进一步分为两类问题：回归和分类。

1.回归
如果输入变量和输出变量之间存在关系，则使用回归算法。它用于预测连续变量，例如天气预报、市场趋势等。以下是一些流行的回归算法，它们属于监督学习：
线性回归回归树非线性回归贝叶斯线性回归多项式回归
2.分类
当输出变量是分类时使用分类算法，这意味着有两个类别，例如是 - 否，男性 - 女性，真假等。垃圾邮件过滤，是否为垃圾等。
可能用到的算法：
随机森林决策树逻辑回归支持向量机

常见的「有监督学习」的机器学习方法
支持向量机（Support Vector Machines）
神经网络算法（Neural network algorithm）
线性回归（linear regression）
逻辑回归（logistic regression）
朴素贝叶斯（naive Bayes）
线性判别分析（linear discriminant analysis）
决策树（decision trees）
K-近邻（k-nearest neighbor algorithm）
.
.
1.4.算法的优缺点
监督学习的优点
在监督学习的帮助下，模型可以根据先前的经验预测输出。
在监督学习中，我们可以对对象的类别有一个准确的认识。
监督学习模型帮助我们解决各种现实问题，例如欺诈检测、垃圾邮件过滤等。
训练数据都是有标注的，花费较多。
监督学习的缺点
监督学习模型不适合处理复杂的任务。
如果测试数据与训练数据集不同，监督学习无法预测正确的输出。
训练需要大量的计算时间。
在监督学习中，我们需要足够的关于对象类别的知识。
训练数据都是有标注的，花费较多。

.
.
.

二、无监督学习（Unsupervised Learning）

2.1.定义
其中模型使用未标记的数据集进行训练，并允许在没有任何监督的情况下对该数据进行操作，模型本身会从给定数据中找到隐藏的模式和见解。它可以比作在学习新事物时发生在人脑中的学习。

2.2算法的类型
无监督学习算法可以进一步分为两类问题：聚类和关联

聚类：聚类是一种将对象分组为聚类的方法，使得具有最多相似性的对象保留在一个组中，并且与另一组的对象具有较少或没有相似性。聚类分析发现数据对象之间的共性，并根据这些共性的存在和不存在对它们进行分类。
关联：关联规则是一种无监督学习方法，用于查找大型数据库中变量之间的关系。它确定在数据集中一起出现的项目集。关联规则使营销策略更加有效。例如购买 X 商品（假设是面包）的人也倾向于购买 Y（黄油/果酱）商品。关联规则的一个典型例子是市场篮子分析。

无监督学习算法
以下是一些流行的无监督学习算法：

K-means 聚类
KNN（k-最近邻）
层次聚类
异常检测
神经网络
主成分分析
独立成分分析
先验算法
奇异值分解

常见的「无监督学习」的机器学习方法如下：
聚类
主成分分析方法（PCA）
密度估计（Density Estimation）
异常检测（Anomaly Detection）
.
.

2.3算法优缺点
无监督学习的优势
与监督学习相比，无监督学习用于更复杂的任务，因为在无监督学习中，我们没有标记的输入数据。
无监督学习更可取，因为与标记数据相比，它更容易获得未标记数据。
无监督学习的缺点
无监督学习本质上比监督学习更难，因为它没有相应的输出。
无监督学习算法的结果可能不太准确，因为输入数据没有标记，并且算法事先不知道确切的输出。
原文链接：http://t.csdn.cn/HZMJ3此文更加详细全面
本文参考上文大部文章来源地址https://www.toymoban.com/news/detail-633023.html

到了这里，关于有监督学习、无监督学习的文章就介绍完了。如果您还想了解更多内容，请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章，希望大家以后多多支持TOY模板网！