斯坦福大学机器学习笔记——机器学习基础以及有监督学习和无监督学习举例说明
2017-10-25 20:27
363 查看
机器学习(machine learning)的定义:
一个程序被认为能从经验E中学习,解决任务T,达到性能度量值P,当且仅当,有了经验E后,经过P评判,程序在任务T时的性能有所提升。
以一个例子作为解释:
例如:假设一个判断邮件是否为垃圾邮件的程序,则对应的任务T为给定一个邮件,分类这个邮件是否为垃圾邮件;经验E为给定的已经知道的邮件的标签;性能P这个程序正确分类垃圾邮件和非垃圾邮件的数量或者比率。
机器学习的分类:
机器学习主要分为两类:有监督学习(supervised learning)和无监督学习(unsupervised learning)
有监督学习:就是给定的数据集中的每个样本都有其对应的正确答案(分类问题是类别,回归问题是确定的数值)有监督学习又可以分为分类和回归。分类最终的输出结果为离散的值(这里的分类数量可以是多个,不仅仅只是代表二分类);而回归的输出结果为一系列连续值属性。
例如:
1.你有一批同样的货物,有上千件一模一样的货物等待出售,这时你想预测接下来的三个月能卖出多少件?(预测的结果是多少件,为一个连续的数值,所以该问题为回归问题)。
2.你有许多客户,你想写一个软件来检验每一个用户的账户。对于每一个账户,你要判断他们是否曾经被盗过?(输出的结果要么为被盗过,要么为没被到过,所以这是一个典型的二分类问题)。
无监督学习:数据集中的每个样本没有给出正确的答案,算法就能够实现聚类或者预测。
有监督和无监督的判断举例:
1.垃圾邮件分类问题,在数据集给定的为一些有标签的样本,该样本是垃圾邮件还是非垃圾邮件,所以该问题为有监督学习中的分类问题。
2.房价预测问题,给定的数据集为一些带有房价的样本,预测某一个房子的价格,由于房子的价格是一些连续的数值,所以该问题是有监督学习中的回归为题。
3.分组划分问题,给定一些客户,将这些客户聚集为几类,给定的客户集中的每个客户不会给出其对应的类别,让算法自动聚类。所以该问题是无监督问题。
本人也是刚刚学习机器学习的人,有什么问题欢迎各位指正,一起学习。
一个程序被认为能从经验E中学习,解决任务T,达到性能度量值P,当且仅当,有了经验E后,经过P评判,程序在任务T时的性能有所提升。
以一个例子作为解释:
例如:假设一个判断邮件是否为垃圾邮件的程序,则对应的任务T为给定一个邮件,分类这个邮件是否为垃圾邮件;经验E为给定的已经知道的邮件的标签;性能P这个程序正确分类垃圾邮件和非垃圾邮件的数量或者比率。
机器学习的分类:
机器学习主要分为两类:有监督学习(supervised learning)和无监督学习(unsupervised learning)
有监督学习:就是给定的数据集中的每个样本都有其对应的正确答案(分类问题是类别,回归问题是确定的数值)有监督学习又可以分为分类和回归。分类最终的输出结果为离散的值(这里的分类数量可以是多个,不仅仅只是代表二分类);而回归的输出结果为一系列连续值属性。
例如:
1.你有一批同样的货物,有上千件一模一样的货物等待出售,这时你想预测接下来的三个月能卖出多少件?(预测的结果是多少件,为一个连续的数值,所以该问题为回归问题)。
2.你有许多客户,你想写一个软件来检验每一个用户的账户。对于每一个账户,你要判断他们是否曾经被盗过?(输出的结果要么为被盗过,要么为没被到过,所以这是一个典型的二分类问题)。
无监督学习:数据集中的每个样本没有给出正确的答案,算法就能够实现聚类或者预测。
有监督和无监督的判断举例:
1.垃圾邮件分类问题,在数据集给定的为一些有标签的样本,该样本是垃圾邮件还是非垃圾邮件,所以该问题为有监督学习中的分类问题。
2.房价预测问题,给定的数据集为一些带有房价的样本,预测某一个房子的价格,由于房子的价格是一些连续的数值,所以该问题是有监督学习中的回归为题。
3.分组划分问题,给定一些客户,将这些客户聚集为几类,给定的客户集中的每个客户不会给出其对应的类别,让算法自动聚类。所以该问题是无监督问题。
本人也是刚刚学习机器学习的人,有什么问题欢迎各位指正,一起学习。
相关文章推荐
- Machine Learning(Stanford)| 斯坦福大学机器学习笔记--第一周(1.监督学习与无监督学习的介绍)
- 举例说明强化学习以及监督学习的区别
- 机器学习实战笔记 - 机器学习基础
- Java基础学习笔记之Random类以及Random种子
- 【学习笔记】斯坦福大学公开课(机器学习) 之生成学习算法:朴素贝叶斯
- 关于Metasploit-学习笔记-基础命令以及参数
- C#学习笔记——面向对象、面向组件以及类型基础
- Linux学习之Shell--第一天:Shell的简要说明以及语法基础
- 【学习笔记】斯坦福大学公开课(机器学习) 之一:线性回归、梯度下降
- 斯坦福大学公开课 :机器学习课程(Andrew Ng)——2、监督学习:Regression and Classification
- 机器学习基础学习笔记1-基本概念
- 笔记: 斯坦福大学机器学习第九课“神经网络的学习(Neural Networks: Learning)”
- 斯坦福大学公开课 :机器学习课程(Andrew Ng)——7、监督学习:Support Vector Machine,立
- coursera-斯坦福-机器学习-吴恩达-第8周笔记-无监督学习
- 斯坦福大学公开课 :机器学习课程笔记-[第2集] 监督学习应用.梯度下降
- 黑马程序员_java基础学习笔记03_函数以及数组知识
- 东软学习,hibernate初级学习的部分截图和笔记(一)-入门以及XMl基础配置
- 机器学习笔记二:监督学习应用:梯度下降
- CSS学习笔记---css基础举例
- 【机器学习】python实践笔记 -- 经典监督学习模型之分类学习模型