本文介绍了监督学习的基本概念，包括分类学习与回归预测的区别，详细解释了二分类、多分类及多标签分类等任务，并探讨了线性分类器的工作原理。此外，文章还提供了性能评测的三个关键指标：准确性、精准率和召回率。
根据目标预测变量的类型不同，将监督学习的认为答大体分为分类学习与回归预测两类。
监督学习的基本框架和流程：准备数据---抽取特征，形成特征向量-----将特征向量及对应的标记/目标一并送入学习算法，训练出预测模型-----采用相同的特征抽取方法作用于新测试数据得到用于测试的特征想了---------用预测模型对待测试特征向量进行预测并得到结果。
二分类：判断是非
多分类：多个类别中选一个
多标签分类：判断一个样本是否同时属于多个不同类别。
线性分类器：假设特征与分类结果存在线性关系的模型。模型通过累加计算每个维度的特征与各自权重的乘积来帮主类别决策。
性能评测一般有三个指标：以肿瘤预测案例为例：
若恶性肿瘤为阳性，预测准确为真阳性（True positive），否则为假阴性（ False Negative），
若良性肿瘤为阴性，预测准确为真阴性（True Negative），否则为假阳性（ False positive）
准确性Accuracy：
精准率Precision：
召回率Recall：
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
