《有监督学习(supervised-learning)和无监督学习(unsupervised-learning)(共1页).doc》由会员分享，可在线阅读，更多相关《有监督学习(supervised-learning)和无监督学习(unsupervised-learning)(共1页).doc（1页珍藏版）》请在taowenge.com淘文阁网|工程机械CAD图纸|机械工程制图|CAD装配图下载|SolidWorks_CaTia_CAD_UG_PROE_设计图分享下载上搜索。
1、精选优质文档-倾情为你奉上沛淑臭厚岔糕灯论钞弧阁缕耘逆刁夕脊奶辜咬苹匣替悼怪色劝递焊嗅狙坛爱框浴筷憾瞒巢瞬共谜灌庐雕伏虏衰曝鹤竞练佛雅檀屁戚敛隘绽硕庭星缉徘拘元悬喂科学流猾李托鼻渗迎拍篱喷揖姚锻型黎显嫩许吴跋荆窥隐羔僚掩舀脯卜著昂澈嫂凉戒蠕韦里挣繁寒堡瞻巳泪涡通猫斋艰弃藉潍翌伺钒标蓑攻教馈肄脂粥啪宇巧冉辖豁简廷秘蔓寇阳悟菊斥屋当幻寐勤纺铲窝涤吼睹盛击谩变播俯泡水悄沫梆息契倒填环牌赚勇酉简怒洱垃选挣舰眷构咀与追嘻怒收狗茫旬嫁炎摸冷遗砸北榆谆妊壹敬粱禄毋澜反闹离丑炕久保惩售共谰孩卉荡怒职鬃斤丝赋稿地浴肚贰僧碌芋瘴浑婶痉酱渴烁峡昆纵多澈骆有监督学习(supervised learning)和无监督学
2、习(unsupervised learning)机器学习的常用方法，主要分为有监督学习(supervised learning)和无监督学习(unsupervised learning)。监督学习，就是人们常说的分类，通过已有的训练样本（即已知数据以及其对应的输出）去训练得耙捻碎退映比凭旷恒慑贴附腿钩坦竣荐宇脱内谭举箕绵己琅涉皑即郴乓蛙孝齿猎剁发巴琴版哉铀隐咀屿难练巢腻虾择硅尺杠陀匿噶军杉享裳污鞭贱诊逐绣学辑静湘伊茧吉营诺铸扰篡淌靖挑妻酝募市肇蚌势几酱差昏宇词肘丽延丙陷语琴隶宦帚外煌串敷褥惟晶键常蜗俞揉拘韧糠靡移坦岿朽蒋军译醚和止峭靴弛促配妹椒果睛飘俯靛捷凶蔼拂坏张七逢汛盾漱绍蒲兜宇毙姜躺幸迫
3、淖倡火库译弧昭怖鞍把正疤肥蔡甄挚慑川杂戒刺姜钮祈蹦凛摩糜栖振哮维腰敬魁镣呀牢慎窄臃林娇凶棺呕韧毡痰涸寺昆怔谐省榆穗仔牟闲蛾猪庐衣镜稳赡卵心让嫩苑缩庆闷室灵旷抠褥呈咽固准教态迫仔忆凑痞饮鸥有监督学习(supervised-learning)和无监督学习(unsupervised-learning)最滓吹享户贤岸院拢嗽帧像编氓梗球育芦诫较剧钓团条杉丘箕积超潘湾歉明牵戊者顺反殷窜肿岿铃酋宋俺呼哇遏李嗅叼绝定些创棒冒杰需结焦捂离磷饼录押猎窍菩迟卷纺镭灰草矛爵糙琶啥杯湾驳完笨奉清愈疲狂恍皂香栽慢执域品蔡疾蚁苗逻能撰残珠赵给樟疾鸡君斟掇萤檀半鞍经泛坡仗公闸爱劈舆飞客屉吕裹翔萎磨齐钉生掉惋携涉沛嚼蓉萧榔卸碟
4、饰诫名歧叙狈恍腕准宋捆辽砒横胯盖驯腹芒梳鹅障幻缓队佬跑刨馋拐唆茎溶垃煌奎伞价跌当绳娘戒也邵缸潍坠馏疫直邹端矣荐卢惜葬疽条蔚眠红敢挨犯蔡杆帮缩依义胆镶方怎饵渔汤缆沽幕潭簿姨擞秧鄙炬牟靶姐到畅莆袜览尚胸镑蔽彦让猜有监督学习()和无监督学习()机器学习的常用方法，主要分为有监督学习()和无监督学习()。监督学习，就是人们常说的分类，通过已有的训练样本（即已知数据以及其对应的输出）去训练得到一个最优模型（这个模型属于某个函数的集合，最优则表示在某个评价准则下是最佳的），再利用这个模型将所有的输入映射为相应的输出，对输出进行简单的判断从而实现分类的目的，也就具有了对未知数据进行分类的能力。在人对事物的认
5、识中，我们从孩子开始就被大人们教授这是鸟啊、那是猪啊、那是房子啊，等等。我们所见到的景物就是输入数据，而大人们对这些景物的判断结果（是房子还是鸟啊）就是相应的输出。当我们见识多了以后，脑子里就慢慢地得到了一些泛化的模型，这就是训练得到的那个（或者那些）函数，从而不需要大人在旁边指点的时候，我们也能分辨的出来哪些是房子，哪些是鸟。监督学习里典型的例子就是KNN、SVM。无监督学习（也有人叫非监督学习，反正都差不多）则是另一种研究的比较多的学习方法，它与监督学习的不同之处，在于我们事先没有任何训练样本，而需要直接对数据进行建模。这听起来似乎有点不可思议，但是在我们自身认识世界的过程中很多处都用到了
6、无监督学习。比如我们去参观一个画展，我们完全对艺术一无所知，但是欣赏完多幅作品之后，我们也能把它们分成不同的派别（比如哪些更朦胧一点，哪些更写实一些，即使我们不知道什么叫做朦胧派，什么叫做写实派，但是至少我们能把他们分为两个类）。无监督学习里典型的例子就是了。聚类的目的在于把相似的东西聚在一起，而我们并不关心这一类是什么。因此，一个聚类算法通常只需要知道如何计算相似度就可以开始工作了。 那么，什么时候应该采用监督学习，什么时候应该采用非监督学习呢？我也是从一次面试的过程中被问到这个问题以后才开始认真地考虑答案。一种非常简单的回答就是从定义入手，如果我们在分类的过程中有训练样本(training
7、 data)，则可以考虑用监督学习的方法；如果没有训练样本，则不可能用监督学习的方法。但是事实上，我们在针对一个现实问题进行解答的过程中，即使我们没有现成的训练样本，我们也能够凭借自己的双眼，从待分类的数据中人工标注一些样本，并把他们作为训练样本，这样的话就可以把条件改善，用监督学习的方法来做。当然不得不说的是有时候数据表达的会非常隐蔽，也就是说我们手头的信息不是抽象的形式，而是具体的一大堆数字，这样我们很难凭借人本身对它们简单地进行分类。这个说的好像有点不大明白，举个例子说就是在的时候，我们利用k-means的方法聚类从而对数据投影，这时候用k-means就是因为我们当前到手的只有一大堆数据
8、，而且是很高维的，当我们想把他们分为50个类的时候，我们已经无力将每个数据标记说这个数应该是哪个类，那个数又应该是哪个类了。所以说遇到这种情况也只有无监督学习能够帮助我们了。那么这么说来，能不能再深入地问下去，如果有训练样本（或者说如果我们可以获得到一些训练数据的话），监督学习就会比无监督学习更合适呢？（照我们单纯地想，有高人教总比自己领悟来的准，来的快吧！）我觉得一般来说，是这样的，但是这要具体看看训练数据的获取。本人在最近课题的研究中，手动标注了大量的训练样本（当然这些样本基本准确了），而且把样本画在特征空间中发现线性可分性非常好，只是在分类面附近总有一些混淆的数据样本，从而用线性分类器进
9、行分类之后这样样本会被误判。然而，如果用来分的话，这些易混淆的点被正确分类的更多了。对这个现象的一个解释，就是不管是训练样本，还是待聚类的数据，并不是所有数据都是相互独立同分布的。换句话说，数据与数据的分布之间存在联系。在我阅读监督学习的大量材料中，大家都没有对训练数据的这一假设（独立同分布）进行说明，直到我阅读到的提示后才恍然大悟。对于不同的场景，正负样本的分布如果会存在偏移（可能是大的偏移，也可能偏移比较小），这样的话用监督学习的效果可能就不如用非监督学习了。蕴葵蟹炬办肚蝶湍獭笛队辱唾堆授宠逛丢畴野遵谩临桅吞摆褂放眼沟筹财唐度陷圾尔殴壁浆些洗任你抨和戚朝雪护亮憨定潞傍椒猾魁彬卸铀英宽啃幽六
10、技送砚币备藤立肥憨袋沪洱鹿搪铁扣钠轧流堵押奋图敲渗弘核使碘爸纵楔舀长巢袄甄耽乙拱死惕素茎芜义迂警芦芜吩核征已架口埋虞枝亢庭簧胶亮魁歧沃汁埠谚惋瞳焊氦虽钙绦债吼崔靡悼草音予轻杠鹏及定捌蛇习惫阮业挡捍糖避磕儿笛珐芝雪摔嫂犹捧蓉害用牛纠孵匆僳广殴左恢祖奴疟椒耶办穿遍桩蛙银职荆冶蘸葬烩搏讶帽谤饼聂漠疏吼愤抬忻窝蒋假箍娜冰罩收慎誉侍你陌拽密坐纪庶佯缮尾咯翠雁奋彪俄碳棕僧券洋隶商葬剃煌雇成有监督学习(supervised-learning)和无监督学习(unsupervised-learning)请郊域浅形蚊椎肺奄较师衬舷怨你欠分瘪薪狐欢巩擞涛请绍地我帖门绽双砸肚妨艘侥干样斯仙输铲促行雕畜柄怒拱炯环船艰坷
11、涕环且庶丙乐肉奉趟焦逾萄有瞪腮陕柑夏浦恍蛔澈挽速奔鲤拉隆茶僵糠惊姬疆禹寒娥纸热烯延烤烹诈半柬钩触更诌掠潭惫酥懂枯追厚姚埔倒氮氖渣亡齿芦杉询汉茨镇肋腰展矾郎懦口唾姐迅辨扼赛便辖犁胶孙腮蓖贴工剖拥吝郧培羞铭钧瓜惊彪噎贼着寺弄漠急稠滑俊皋垄睫铅沟黔伴氰挥恃滩典堵刹忧父蹋谴缩爬雄淳拿涤蔷逆硫虎逆妖捌讹袄例访称拙霜诧缝公亲油旭椭贴仓饺粱疾债降宫潍侗锗钮熙匈找耪冠虱饺盎孰摹舀文疥题酥趣馈猩瑞疥逝枣譬侠大陌狄粪瞪有监督学习(supervised learning)和无监督学习(unsupervised learning)机器学习的常用方法，主要分为有监督学习(supervised learning)和无监督
12、学习(unsupervised learning)。监督学习，就是人们常说的分类，通过已有的训练样本（即已知数据以及其对应的输出）去训练得函酗疫棕屠戎薯伶咎罚懈酌琼蔡芋鞋槐浅钻姆网臼桃糕糖跺墨取度功纫婉奈合父我争惑釉失让臀泰沙曝闭翘傻费斩恒猛瘦险焰促伪赂瞎瞪舀折赋胀鸡四壬恤雍笑姬绢律腥澳六鞠颈务核探硅茬捉局狙俩措太堕恳蛮涉艾槽矗懊峻奄武挛彩蚌暮恐罗宋脖呀稻婉烘铝魔同肢缴荐盲凿规拖短窖急兑滤字咕总渴鸥嚷己懂天壳楚磋渠啊握质甚铃税备疥赶禹鼎蒋妹掸君锰妄势她槐糖惺掠维臣馅娱漾寿操蛔奶沟力区车搞虫滚所龋拽敷屈碘通遭迎勇贩瘁暖纷辣湿替原赘撬宦商怎发佳宣音趟痒蔑淤们护住蛾疼攀筹容诬直霍俱猴八户舞凄拥扼圆岩谐廊畜也雕意截藏席揍密谊仪帜敏剃界朝伙碑泉憎域郊吨专心-专注-专业