1. 首頁 > 云知道 > >

supervised,半監督學習

云知道學習

機器學習算法本身可以分為四類，監督學習，無監督學習，半監督學習與強化學習 。無監督學習是找到數據的最佳表示，而監督學習是找到數據的最佳擬合 。深度學習中的監督學習就是，給定一組訓練數據，讓網絡學習如何把輸入和輸出對應上，或者說找到輸入x所對應的輸出y 。
無監督學習算法有哪些？
【supervised,半監督學習】

supervised,半監督學習


機器學習算法本身可以分為四類，監督學習，無監督學習，半監督學習與強化學習 。我在研究生期間，研究的是粒子群算法與學習自動機，其中后者就屬于沒那么出名的強化學習算法類 。當然，因為研究方向屬于機器學習，因此對其他算法也有一點了解，在此給大家簡單介紹幾個無監督學習算法 。K-means算法k-means算法應該是最出名的無監督學習算法，中文譯名聚類算法 。
算法流程是首先隨機生成幾個點叫做聚類中心，然后通過不斷迭代來更新聚類中心位置以及圍繞聚類中心的點（數據） 。在不斷的迭代過程中，有些聚類中心會由于失去其擁護者（圍繞其的數據）而被拋棄 。在初始化的時候，通常會選擇k個聚類中心，不斷迭代，直到達到優化目標結束 。這個優化目標通常叫失真代價函數或者畸變函數，當函數達到最優解（相對最優，在這類連續空間中，是不可能找到絕對的全局最優解的）或迭代資源用盡，就算達到目標 。
高斯混合模型高斯混合模型主要的特點在于可以對無標簽的數據進行分組，然后再進行數據的聚類分析 。ISOmap算法這個算法屬于流行學習算法中的一種 。流型學習算法對存在非線性關系的數據集的處理效果非常好，要比多元回歸分析更加節約研究人員的人力 。它通過將一個低維度流型嵌入到一個高維度空間來描述數據集，是一種無監督的評估器 。
偽代碼如下：from sklearn.datasets import load_digitsfrom sklearn.manifold import Isomapdigits = load_digits()digits.images.shape# 可視化數據集fig, axes = plt.subplots(10, 10, figsize=(8,8),subplot_kw={"xticks": [], "yticks": []},gridspec_kw=dict(hspace=0.1, wspace=0.1))for i, ax in enumerate(axes.flat):ax.imshow(digits.images[i], cmap="binary 。
什么是深度學習的監督學習？
supervised,半監督學習


深度學習中的監督學習就是，給定一組訓練數據，讓網絡學習如何把輸入和輸出對應上，或者說找到輸入 x 所對應的輸出 y 。給定的訓練數據通常都是由我們人為給它加上標簽的，這就是「監督」的體現 。也就是說，當網絡一開始預測出來的結果與我們給定的標簽不同，就會根據特定的算法來修改網絡的參數，使預測結果逐漸接近我們給的標簽 。
算法就像一種懲罰機制一樣，它可以把網絡中的一些權重往可以讓預測更加正確的方向去改變 。所以簡單地說，監督學習就是有人為給定某種反饋的學習方法，讓網絡可以自己學習出擬合我們給定的已標注數據的一個映射 。無監督學習，通俗地說，其大多數嘗試是指從不需要人為注釋的樣本分布總提取信息，就像一個聚類一樣 。無監督學習是找到數據的最佳表示，而監督學習是找到數據的最佳擬合 。
數據挖掘，機器學習與深度學習中聚類、關聯、決策跟分類是什么？
supervised,半監督學習


大數據的挖掘常用的方法有分類、回歸分析、聚類、關聯規則、神經網絡方法、Web 數據挖掘等 。這些方法從不同的角度對數據進行挖掘 。所以總體可以認為深度學習跟機器學習都屬于數據挖掘的方法 。(1)分類分類是找出數據庫中的一組數據對象的共同特點并按照分類模式將其劃分為不同的類 。比如我們在電商商平臺上的各類產品，肯定要按照產品屬性進行分類，對應的數據挖掘的分類，就是利用屬性去尋找有共同特點的數據對象，歸到一個大集合 。

推薦閱讀