监督学习与非监督学习
发布时间
阅读量：
阅读量
由于对机器学习（ML）的热爱驱使着自己，在这里做个简要记录。
监督学习与非监督学习是机器学习中的两大核心概念。尽管如此，在这一领域并非那么简单。
但是个人认为这一领域并非那么简单。
监督学习 ：
- 监督学习通过训练数据集合获取模型信息，并用于测试数据集做出预测。
- 监督学习的目标是建立一个能够从输入推断出输出的函数关系。具体而言，在这一过程中我们寻找并构建这样的函数h(x)属于由所有可能函数组成的假设空间。
- 在监督学习中存在两种主要方法：一种是回归分析用于连续型目标变量预测；另一种则是分类方法用于离散型目标变量的情况。简单来说就是说分类任务需要明确划分不同的类别。
无监督学习 ：
- 无监督式学习是一种人工智能网络算法，在该算法中旨在通过对原始数据进行分析来识别其潜在结构以了解数据内部关系。与监督式学习不同的是，在无监督式学习中 样本的分类结果并不明确 ，即没有外部指导来指示哪种分类是正确的。
- 聚类作为一种典型的无监督学习方法的核心思想就是根据相似性指标将数据点分组以实现对相似对象的聚合而无需关注具体类别名称。
我个人理解监督学习和无监督学习的差别：
监督学习 有一个样本训练的过程，要用大量的样本对模型进行训练才能使模型越来越优，这就像我们小时候认识周围的事物一样，家长告诉我们这是房子、这是猪、这是鸟，并不停用各种样本来充实我们对房子、猪、鸟的概念，后来就可以自己把看到的东西跟之前识别过的东西进行对比，识别出哪些是什么东西；
无监督学习 开始并没有具体分类是哪些是什么，而是通过我们编写的函数让机器能识别出哪些是一类，哪些是另一类，而并不知道具体类别的名字，目前我对于这个概念的理解是，这就像是在找不同，一个小孩子并不知道猫和狗两个物种，但是他可以通过眼睛看到他们的各种不同特征，从而分辨出是两种物种，下次他就会用同样的方法来观察猫和狗，这种观察的方法就是一个函数，并通过不断比较来优化这一函数，从而达到准确识别的目的。
基于我对ng机器学习课程的学习基础上，在自我反思的过程中记录了自己的学习心得，在特别关注于对细节问题深入分析以及逻辑关系的梳理方面也取得了一定的进步
以上很多都是个人的理解，如果有不对的地方，还请大家指教。
全部评论 (0)
还没有任何评论哟~