Python3玩转儿 机器学习(3)

本文介绍了机器学习的主要分类,包括监督学习、非监督学习、半监督学习和增强学习。通过实例说明了每种学习方式的应用场景,并列举了监督学习中的典型算法。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

Python3玩转儿 机器学习(3)

机器学习算法可以分为:

  • 监督学习
  • 非监督学习
  • 半监督学习
  • 增强学习

监督学习:给机器的训练数据拥有“标记”或者“答案”,例如:

我们需要告诉机器左边的画面是一只狗,而右边的照片是一只猫。同理对于MNIST数据集,给机器图像信息后还应该附上标记信息,如图所示:

运用监督学习的场景举例:

  • 图像已经拥有了标定信息
  • 银行已经积累了一定的客户信息和他们信用卡的实用信息
  • 医院已经积累了一定的病人信息和他们最终确诊是否患病的情况
  • 市场积累了房屋的基本信息和最终成交的金额
  • ......

此课程中学习的大部分算法属于监督学习算法

  • K近邻
  • 线性回归和多项式回归
  • 逻辑回归
  • SVM
  • 决策树和随机森林

非监督学习:给机器训练数据没有任何“标记”或者“答案”

聚类分析:对没有“标记”的数据进行分类

非监督学习一个非常重要的作用就是对数据进行降维处理。

  • 特征提取:信用卡的信用评级和人的胖瘦无关?无关的特征丢掉
  • 特征压缩:PCA

降维处理的意义:方便可视化

非监督学习还可以进行异常检测

如图所示:图中两个红点明显与其他点脱离,如果它们同属与一种数据,我们可以将这两个点归类为异常,将其去除。当突然图中为二维点,在高维中我们会使用相应的算法剔除异常数据。

半监督学习:一部分数据有“标记”或者“答案”,另一部分没有

相对监督学习,更常见的是各种原因产生的标记缺失的半监督学习。

通常都先使用无监督学习手段对数据做处理,之后使用监督学习手段作模型的训练和预测。

 

增强学习:根据周围环境的情况,采取行动,根据采取行动的结果,学习行动方式。

 

 

监督学习和半监督学习是基础。

posted @ 2018-04-22 10:20 饕客 阅读( ...) 评论( ...) 编辑 收藏
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值