機器學習的分類
機器學習的分類
品牌型號：Redmibook?Pro?15 系統：Windows 10 軟件版本:
1、監督學習：表示機器學習的數據是帶標記的，這些標記可以包括數據類別、數據屬性及特征點位置等。這些標記作為預期效果，不斷修正機器的預測結果。具體實現過程是：通過大量帶有標記的數據來訓練機器，機器將預測結果與期望結果進行比對；之后根據比對結果來修改模型中的參數，再一次輸出預測結果；然后將預測結果與期望結果進行比對，重復多次直至收斂，最終生成具有一定魯棒性的模型來達到智能決策的能力。
常見的監督學習有分類和回歸：分類（Classification）是將一些實例數據分到合適的類別中，它的預測結果是離散的。回歸（Regression）是將數據歸到一條“線”上，即為離散數據生產擬合曲線，因此其預測結果是連續的。
2、無監督學習：表示機器學習的數據是沒有標記的。機器從無標記的數據中探索并推斷出潛在的聯系。常見的無監督學習有聚類和降維。在聚類（Clustering）工作中，由于事先不知道數據類別，因此只能通過分析數據樣本在特征空間中的分布，例如基于密度或基于統計學概率模型等，從而將不同數據分開，把相似數據聚為一類。降維（Dimensionality Reduction）是將數據的維度降低。例如描述一個西瓜，若只考慮外皮顏色、根蒂、敲聲、紋理、大小及含糖率這6個屬性，則這6個屬性代表了西瓜數據的維度為6。進一步考慮降維的工作，由于數據本身具有龐大的數量和各種屬性特征，若對全部數據信息進行分析，將會增加訓練的負擔和存儲空間。因此可以通過主成分分析等其他方法，考慮主要影響因素，舍棄次要因素，從而平衡準確度與效率。
3、強化學習：是帶有激勵機制的，具體來說，如果機器行動正確，將施予一定的“正激勵”；如果行動錯誤，同樣會給出一個懲罰（也可稱為“負激勵”）。因此在這種情況下，機器將會考慮如何在一個環境中行動才能達到激勵的最大化，具有一定的動態規劃思想。
4、深度學習：深度學習是新興的機器學習研究領域，旨在研究如何從數據中自動地提取多層特征表示，其核心思想是通過數據驅動的方式，采用一系列的非線性變換，從原始數據中提取由低層到高層、由具體到抽象、由一般到特定語義的特征。深度學習不僅改變著傳統的機器學習方法，也影響著人類感知的理解，迄今已在語音識別、圖像理解、自然語言處理和視頻推薦等應用領域引發了突破性的變革。
相關文章
發表評論
暫時沒有評論，來搶沙發吧~