【机器学习】什么是监督学习、半监督学习、无监督学习、自监督学习以及弱监督学习
发布时间
阅读量：
阅读量
- 监督学习（Supervised Learning）：基于大量标注样本的数据集进行模型训练，在此过程中模型能够逐步建立输入与输出标签之间的关联性。
- 半监督学习（Semi- supervised Learning）：通过结合少量标注样本与大量未标注样本的数据集进行训练；具体做法为先利用小规模的标注样本训练一个Teacher模型；随后以该Teacher模型为基础对大规模的未标注样本进行伪标签预测，并将其结果作为Student模型的学习数据集。
- 无监督学习（Unsupervised Learning）：无需任何标签信息；通过对数据内在特征的研究来揭示样本间的相互关系；例如常见的方法包括聚类分析与降维处理。
- 自监督学习（Self- supervised Learning）：通过设置代理任务（pretext task），从大规模的无标签数据中提取自我指导的信息；将这些预训练得到的知识应用到后续的任务中；其核心在于能够从广泛的数据中自动学习到有用的知识表示。
- 弱监督（Weakly Supervised Learning）：可分为部分监督、粗粒度监督以及不精确 supervision三种类型；其中部分 supervision指的是仅有一部分样本具有明确标签；粗粒度 supervision则是指仅提供粗略级别的分类标记；而不精确 supervision则表现为提供的标记结果可能存在一定的偏差或错误。
注：其实现在很多论文里对自监督和无监督已经不做区分。
全部评论 (0)
还没有任何评论哟~