Advertisement

监督式机器学习与无监督式机器学习

阅读量：

监督式机器学习

监督式机器学习是指数据集中的每条记录都包含标签或标志的问题类型。
data_label.png

请考虑下表，其中包含有关最高温度、最低温度和最大振动的信息。
table.png

最后一列 asperity 是标签。给定温度和振动数据，我们想要预测粗糙度。这是一个带标签的数据集。

使用这个包含标签的数据集，我们可以训练一种算法来预测未标记数据的未来。你把它拟合到你的算法中，算法现在会预测这个数据的标签。这称为监督学习。 回归 和 分类 是监督学习的两种类型。

回归

必须预测连续值的用例类型称为回归。例如，如果我们向算法传递值 35、35 和 12，则预测粗糙度的值为 0.32。
regression.png

分类

输出为二进制值或至少是离散值而不是连续值的用例类型称为分类。换句话说，该算法不预测数字，而是预测类变量。
table2.png

例如，如果我们将值 35、35 和 12 传递给算法，则预测值 0 表示损坏。
classification.png

如果只有两个类，则称为二元分类。如果有两个以上的类，则具有多类分类。

无监督学习

无监督机器学习是指数据集中没有记录包含任何标签或标志的问题类型。 聚类是一种 无监督机器学习。
data2.png

聚类

在前面显示的 3 维图中，请注意 3 个数据簇或云。仅通过绘制表格，我们就可以看到数据以三个聚类为中心。此过程称为聚类分析。
clustering.png

构建模型

机器学习 模型 是指使用以前看到的数据构建的数学配置，并设置为以先前计算的一定程度的精度预测新数据。

以下是从头开始构建模型时迭代执行的步骤序列。

数据探索

数据预处理

拆分数据以进行训练和测试

准备分类模型

使用管道组装所有这些步骤

训练模型

对模型运行预测

评估和可视化模型性能

使用 Python 和 scikit-learn 生成和测试第一个机器学习模型中介绍了生成模型的更详细的实践方法。

管道

管道是在机器学习流中设计数据处理的一个非常方便的过程。数据预处理是一个繁琐的步骤，每次训练开始之前都必须对数据应用，无论将应用哪种算法。下图显示了每次在数据建模开始之前应用的典型预处理步骤序列。
pipelines-1.png

这个想法是，在使用管道时，您可以保留预处理，只需切换不同的建模算法或建模算法的不同参数集即可。总体思路是，您可以将整个数据处理流程融合到一个管道中，并且该管道可以在下游使用。
pipelines-2.png

与机器学习算法类似，管道具有称为拟合、评估和评分的方法。基本上，fit 开始训练，score 返回预测值。
pipelines-3.png

交叉验证 是使用管道的最大优势之一。它是指使用同一管道更改或调整多个超参数的过程，从而加速算法的优化。有几个超参数可以调整为性能更好的模型。与这些主题相关的详细信息将在以后的文章中介绍。

总结

本教程提供了机器学习的一些基本概念。它提供了一种实用的方法来理解必要的概念，以帮助您入门。

在线教程

有需要的小伙伴，可以点击下方链接免费领取或者V扫描下方二维码免费领取🆓
​

请添加图片描述

人工智能书籍

第一阶段：零基础入门（3-6个月）

新手应首先通过少而精的学习，看到全景图，建立大局观。 通过完成小实验，建立信心，才能避免“从入门到放弃”的尴尬。因此，第一阶段只推荐4本最必要的书（而且这些书到了第二、三阶段也能继续用），入门以后，在后续学习中再“哪里不会补哪里”即可。

第二阶段：基础进阶（3-6个月）

熟读《机器学习算法的数学解析与Python实现》并动手实践后，你已经对机器学习有了基本的了解，不再是小白了。这时可以开始触类旁通，学习热门技术，加强实践水平。在深入学习的同时，也可以探索自己感兴趣的方向，为求职面试打好基础。

第三阶段：工作应用

这一阶段你已经不再需要引导，只需要一些推荐书目。如果你从入门时就确认了未来的工作方向，可以在第二阶段就提前阅读相关入门书籍（对应“商业落地五大方向”中的前两本），然后再“哪里不会补哪里”。

有需要的小伙伴，可以点击下方链接免费领取或者V扫描下方二维码免费领取🆓
​


在这里插入图片描述

全部评论 (0)

还没有任何评论哟~

相关文章推荐

监督式机器学习与无监督式机器学习

监督式机器学习 监督式机器学习是指数据集中的每条记录都包含标签或标志的问题类型。 请考虑下表，其中包含有关最高温度、最低温度和最大振动的信息。 最后一列asperity是标签。给定温度和振动数据，我们...

机器学习丨监督学习与无监督学习

较为通俗易懂的参考：2监督学习与无监督学习 表述比较清晰的参考：监督学习和无监督学习的区别 前言 机器学习算法最主要两个分类就是监督学习、无监督学习。（此外强化学习和推荐系统也都是机器学习算法的一员）...

机器学习：监督学习和无监督学习

作者：禅与计算机程序设计艺术 1.简介 机器学习MachineLearning是一门研究计算机怎样模拟或实现人类学习过程的科学。它涉及到计算机如何自动获取、整理和分析数据、并用模型建立预测模型或解决决...

机器学习：监督学习和无监督学习

注：本系列博客是博主学习Stanford大学AndrewNg教授的《机器学习》课程笔记。博主深感学过课程后，不进行总结很容易遗忘，根据课程加上自己对不明白问题的补充遂有此系列博客。

机器学习笔记——监督学习，无监督学习，半监督学习

这个问题可以回答得很简单：是否有监督（supervised），就看输入数据是否有标签（label）。输入数据有标签，则为有监督学习，没标签则为无监督学习。 什么是学习（learning）？ 学习：一个...

机器学习中的半监督与无监督学习

机器学习中的半监督与无监督学习 引言 在机器学习的广阔领域中，半监督学习与无监督学习是两种重要的学习范式。半监督学习结合了少量有标签数据和大量无标签数据进行模型训练，而无监督学习则完全依赖于无标签数据...

机器学习实战-监督学习、无监督学习

目录 监督学习 无监督学习 两者的区别 两者的使用场景 上一篇：机器学习实战特征选择之递归特征消除 最近两天收到同学的私信，对于算法中的一些监督学习，无监督学习不是很了解，也不知道从何下手，本篇小编就...

监督学习与无监督学习（机器学习笔记一）

文章目录 前言 一、应用领域 二、定义 三、分类 前言 最近在网易云课堂上学习吴恩达老师的机器学习课程。吴老师的课讲的通俗易懂、深入浅出，令我获益良多，在这里记录一下学习过程的一些知识点和个人理解，欢...

机器学习两种方法——监督学习与无监督学习

通俗讲解 一.前言 二.定义 1.监督学习 2.无监督学习 三.区别 四.范围 1.监督学习 2.无监督学习 五.选择 一.前言 在介绍监督学习和无监督学习之前，我们首先来了解一下什么是特征值和目标值...

机器学习笔记 （二）监督学习、无监督学习

监督学习、无监督学习 监督学习、无监督学习 监督学习SupervisedLearning 监督学习的分类 监督学习举例 无监督学习 无监督学习举例 监督学习、无监督学习 以机器学习中的分类classi...