机器学习-基本方式

文章目录

有监督学习和无监督学习是机器学习中的两种基本学习方式,它们在数据处理、模型训练和应用场景上存在显著差异。

一、有监督学习(Supervised Learning)

1.定义

  • 有监督学习是指使用带有标签(或目标值)的数据集来训练模型,让模型学习输入特征与输出标签之间的映射关系。在学习过程中,模型会不断调整其参数,以最小化预测标签与实际标签之间的差异。

2.特点

  • 数据集包含输入特征和对应的标签。
  • 模型通过学习已知的输入输出关系来预测新的数据。
  • 预测结果可以与实际标签进行比较,以评估模型的准确性。

3.应用场景

  • 分类任务:如垃圾邮件分类、图像识别、情感分析等。
  • 回归任务:如房价预测、股票价格预测、天气预报等。
  • 时间序列预测:如销售预测、股票价格趋势预测等。

4.常见算法:

  • 线性回归
  • 逻辑回归
  • 支持向量机(SVM)
  • 决策树
  • 随机森林
  • 神经网络

二、无监督学习(Unsupervised Learning)

1.定义

  • 无监督学习是指使用没有标签的数据集进行训练,模型需要自行发现数据中的内在结构、模式或规律。无监督学习的目标通常不是预测或分类,而是数据的降维、聚类或关联规则的发现。

2.特点

  • 数据集仅包含输入特征,没有对应的标签。
  • 模型需要自行发现数据中的模式和结构。
  • 评估模型的方法通常不是通过预测准确性,而是通过聚类效果、数据降维的质量或关联规则的实用性等。

3.应用场景

  • 聚类分析:如客户细分、市场分析、图像分割等。
  • 数据降维:如主成分分析(PCA)、自编码器等,用于简化数据集、提高模型训练效率。
  • 异常检测:识别出数据中的异常点或异常行为。

4.常见算法

  • K-means聚类
  • 层次聚类
  • 主成分分析(PCA)
  • 自编码器
  • 密度估计
  • 异常检测算法

三、有监督学习与无监督学习的区别

有监督学习 无监督学习
数据集 包含输入特征和对应的标签 仅包含输入特征,没有标签
目标 学习输入与输出之间的映射关系,用于预测或分类 发现数据中的内在结构、模式或规律,如聚类、降维或关联规则发现
应用场景 分类、回归、时间序列预测等 聚类分析、数据降维、异常检测等
评估方法 预测准确性(如准确率、召回率等) 聚类效果、数据降维质量、关联规则实用性等

总之,有监督学习和无监督学习在机器学习领域各有其独特的应用场景和优势。选择合适的学习方法取决于具体问题的需求和数据的特点。

相关推荐
Dawson Zhu26 分钟前
【模型量化⑦】W4A8与GPTQ-Int4:极限压缩与MLC-LLM部署实战
人工智能·语言模型·架构·aigc·agi
千寻技术帮42 分钟前
50055_基于AI的互帮互助小程序(源码+文档+数据库脚本+部署教程)
数据库·人工智能·小程序·毕业设计·springboot·课程设计
天树星智源1 小时前
KV 剪枝的同一个误差,模型确定时只改 1.4% 的 token,不确定时改 65%:接上不确定性,AIME25 端到端快 1.27 倍
人工智能·大模型
AI英德西牛仔1 小时前
PC 用户的效率革命:腾讯元宝导出 Word 指令与“AI 导出鸭”的底层逻辑
人工智能·word·excel·deepseek·ai导出鸭
Flynn Liang2 小时前
多智能体协同不再复杂:Redis Stream 消费者组、幂等与故障恢复
数据库·人工智能·redis·缓存·ai agent·智能体
VIP_CQCRE10 小时前
GPT Image 2.6 商品图换背景后悬浮?接触阴影、透明区域与反射验收
图像处理·人工智能·ai·电商
泯泷11 小时前
别再傻傻地喂文件了,大厂都在偷偷给AI建这种“专属图书馆”
人工智能
oak隔壁找我12 小时前
一款运行在 DSH(DeepSeek Harness)中的类 Postman HTTP 接口调试插件
人工智能·程序员
高洁0112 小时前
数字孪生与计算机视觉:让机器看懂现场
人工智能·python·机器学习·transformer·迁移学习
Csvn12 小时前
如果明天供应商涨价 3 倍?三层解耦,换模型只改一行配置(C05)
人工智能·aigc·agent