有监督学习、无监督学习、分类、聚类、回归等概念
2017-12-21 19:31
363 查看
特征(feature)
数据的特征。(书的内容。)
标签(label)
数据的标签。如(书属于的类别,例如“计算机”“图形学”“英文书”“教材”等。)
学习(learning)
将很多数据丢给计算机分析,以此来训练该计算机,培养计算机给数据分类的能力。换句话说,学习指的就是找到特征与标签的映射(mapping)关系。这样当有特征而无标签的未知数据输入时,我们就可以通过已有的关系得到未知数据标签。
有监督学习(supervised learning)
不仅把训练数据丢给计算机,而且还把分类的结果(数据具有的标签)也一并丢给计算机分析。
由于计算机在学习的过程中不仅有训练数据,而且有训练结果(标签),因此训练的效果通常不错。训练结束之后进行测试
无监督学习(unsupervised learning)
只给计算机训练数据,不给结果(标签),因此计算机无法准确地知道哪些数据具有哪些标签,只能凭借强大的计算能力分析数据的特征,从而得到一定的成果,通常是得到一些集合,集合内的数据在某些特征上相同或相似。
半监督学习(semi-supervised learning)
给计算机大量训练数据与少量的分类结果(具有同一标签的集合)。
聚类(clustering)
无监督学习的结果。聚类的结果将产生一组集合,集合中的对象与同集合中的对象彼此相似,与其他集合中的对象相异。
分类(classification)
有监督学习的两大应用之一,产生离散的结果。
回归(regression)
有监督学习的两大应用之一,产生连续的结果。
数据的特征。(书的内容。)
标签(label)
数据的标签。如(书属于的类别,例如“计算机”“图形学”“英文书”“教材”等。)
学习(learning)
将很多数据丢给计算机分析,以此来训练该计算机,培养计算机给数据分类的能力。换句话说,学习指的就是找到特征与标签的映射(mapping)关系。这样当有特征而无标签的未知数据输入时,我们就可以通过已有的关系得到未知数据标签。
有监督学习(supervised learning)
不仅把训练数据丢给计算机,而且还把分类的结果(数据具有的标签)也一并丢给计算机分析。
由于计算机在学习的过程中不仅有训练数据,而且有训练结果(标签),因此训练的效果通常不错。训练结束之后进行测试
无监督学习(unsupervised learning)
只给计算机训练数据,不给结果(标签),因此计算机无法准确地知道哪些数据具有哪些标签,只能凭借强大的计算能力分析数据的特征,从而得到一定的成果,通常是得到一些集合,集合内的数据在某些特征上相同或相似。
半监督学习(semi-supervised learning)
给计算机大量训练数据与少量的分类结果(具有同一标签的集合)。
聚类(clustering)
无监督学习的结果。聚类的结果将产生一组集合,集合中的对象与同集合中的对象彼此相似,与其他集合中的对象相异。
分类(classification)
有监督学习的两大应用之一,产生离散的结果。
回归(regression)
有监督学习的两大应用之一,产生连续的结果。
相关文章推荐
- 有监督学习、无监督学习、分类、聚类、回归等概念
- 有监督学习、无监督学习、分类、聚类、回归等概念
- 什么是有监督的学习,什么是无监督的学习,什么是聚类,什么是分类,什么是回归
- 监督学习--分类与回归的区别
- 监督学习之分类和逻辑回归
- Machine learning —Machine learning :分类和聚类,监督学习和非监督学习
- 监督学习二 回归和分类
- 十大统计技术,包括线性回归、分类、重采样、降维、无监督学习等。
- 机器学习相关内容介绍,包括有监督、无监督学习,线性回归分类问题等
- 分类与聚类 监督学习与无监督学习
- 有监督学习(分类、回归)
- 一文综述数据科学家必备的10大统计技术:线性回归、分类、无监督学习...
- 分类与聚类 监督学习与无监督学习
- 【Todo】【转载】Spark学习 & 机器学习(实战部分)-监督学习、分类与回归
- 【机器学习】监督学习:分类和回归
- 分类与聚类,监督学习与无监督学习
- 机器学习--无监督学习之K-means聚类方法
- 对线性回归、逻辑回归、各种回归的概念学习
- 【Scikit-Learn 中文文档】聚类 - 无监督学习 - 用户指南 | ApacheCN
- scikit-learn 中文文档-聚类-无监督学习|ApacheCN