4种不同类别的机器学习方式_第1页
4种不同类别的机器学习方式_第2页
4种不同类别的机器学习方式_第3页
全文预览已结束

下载本文档

版权说明：本文档由用户提供并上传，收益归属内容提供方，若内容存在侵权，请进行举报或认领

文档简介

1、4种不同类别的机器学习方式摘要：机器学习涉及方方面面的内容，包含许多不同类型的算法，其学习方式也 不相同。我们可以根据算法执行学习的方式将它们分为以下不同类别：-有监督学习-无监督学习-半监督学习-强化学习1有监督学习有监督学习是目前商业过程中最常见的机器学习形式。这些算法试图找到 映射输入和输出的函数的一个很好的近似。为此，顾名思义，我们需要自己为算法提供输入值和输出值，并且尝试找 到一个能够使预测值和实际输出值之间误差最小的函数。学习阶段称为训练（training）。模型经过训练后，可以针对未见过的数 据预测输出。此阶段通常被视为评分或预测，如图1-1所示。输入模型输出图 1T2无监督学习

2、无监督学习适用于未标记的数据，因此我们不需要实际的输出值，仅需要 输入。它尝试在数据中查找模式并根据这些共同属性做出反应，将输入划分为 多个不同聚类(如图1-2所示)。输入模型输入聚类图 1-2通常，无监督学习通常与有监督学习结合使用，以减少输入空间并将数据 中的信号集中在较少数量的变量上，但无监督学习还有其他目标。从这个角度 来看，当标记数据很昂贵或不太可靠时，无监督学习比有监督学习更适用。常见的无监督学习技术有聚类(clustering)和主成分分析(Principal Component Analysis, PCA)、独立成分分析 (Independent Component Analy

3、sis, ICA),以及一些神经网络，例如生成对抗网络(Generative Adversarial Network, GAN) 和自编码器 (Autoencoder, AE)。3半监1半监督学习是介于有监督学习和无监督学习之间的一种技术。它可以说不 属于机器学习中一个单独的类别，而只是有监督学习的一种泛化，但在这将其 单独列出是有用的。其目的是通过将一些有标记的数据扩展到类似的未标记数据，从而降低收 集标记数据的成本。我们把一些生成模型分类为半监督学习。半监督学习可以分为直推学习和归纳学习。直推学习适用于推断未标记数 据的标签，归纳学习适用于推断从输入到输出的正确映射。我们可以看到此过程与我们在学校学习的大多数过程相似。老师向学生展 示一些例子，并让学生回家完成作业。为了完成这些作业，他们需要进行泛 化。4强化学习强化学习(RL)是我们目前所见的最独特的类别。这个概念非常有趣：该 算法试图找出一个策略来最大化奖励总和。该策略由使用它在环境中执行动作的智能体来学习。然后，环境返回反 馈，智能体使用该反馈

人人文库> 全部分类> 应用文书 > 技术指导

温馨提示

  • 1. 本站所有资源如无特殊说明，都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
  • 2. 本站的文档不包含任何第三方提供的附件图纸等，如果需要附件，请联系上传者。文件的所有权益归上传用户所有。
  • 3. 本站RAR压缩包中若带图纸，网页内容里面会有图纸预览，若没有图纸预览就没有图纸。
  • 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
  • 5. 人人文库网仅提供信息存储空间，仅对用户上传内容的表现方式做保护处理，对用户上传分享的文档内容本身不做任何修改或编辑，并不能对任何下载内容负责。
  • 6. 下载文件中如有侵权或不适当内容，请与我们联系，我们立即纠正。
  • 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。

最新文档

评论

0/150

提交评论