監督學習、非監督學習、半監督學習和增強學習
阿新 • • 發佈：2022-01-16
監督學習
給機器的訓練資料有“標記”或者“答案”
如MNIST資料集中指明每個數字圖案代表的數字
常用的監督學習演算法如下：
- k近鄰
- 線性迴歸和多項式迴歸
- 邏輯迴歸
- SVM
- 決策樹和隨機森林
非監督學習
給機器的訓練資料沒有任何“標記”或者“答案”
非監督學習的意義：對沒有“標記”的資料進行分類——聚類分析
非監督學習常用領域：
- 對資料進行降維處理
- 特徵提取：移除非必要、無關的特徵
- 特徵壓縮：多多個特徵進行整合
- 降維的意義：方便視覺化（高維轉為低維）
- 異常檢測
- 異常檢測的目的：排除資料集中的與其他大多資料相背離的資料（如某個值過高或過低）
半監督學習
一部分資料有“標記”或者“答案”，另一部分則沒有
通常都先使用無監督學習對資料進行處理，之後使用監督學習做模型的訓練和預測
增強學習
根據周圍環境的情況，採取行動，根據採取行動後的結果，再學習行動方式（如AlphaGo，自動駕駛）
把圈子變小，把語言變乾淨，把成績往上提，把故事往心裡收，現在想要的以後你都會有。