监督学习与无监督学习有什么区别?
在人工智能和机器学习方面。 你能用一个例子提供一个基本的,简单的解释吗?
既然你问了这个非常基本的问题,看起来值得指定什么是机器学习本身。
机器学习是一类由数据驱动的算法,即与“正常”算法不同,它是“告诉”“好答案”是什么的数据。 例如:一个假设的非机器学习算法用于图像中的人脸检测将尝试定义一张人脸是什么(圆形皮肤状的圆盘,以及你期待眼睛的黑暗区域等)。 机器学习算法不会有这样的编码定义,但会“通过示例学习”:您将显示几幅面部和非面部图像,并且一个好的算法最终将学习并能够预测是否看不见图像是一张脸。
这个人脸检测的例子是受监督的 ,这意味着你的例子必须被标记,或者明确地说出哪些是人脸,哪些不是人脸。
在一个无监督的算法中,你的例子没有被标记,也就是说你什么也没说。 当然,在这种情况下,算法本身不能“发明”一张脸,但它可以尝试将数据聚类到不同的组中,例如,它可以区分脸部与风景非常不同,与马匹非常不同。
因为另一个答案提到了它(尽管方式不正确):有一些“中级”监督形式,即半监督和主动学习 。 从技术上讲,这些都是有监督的方法,其中有一些“聪明”的方法来避免大量标记的例子。 在主动学习中,算法本身决定你应该标注哪些东西(例如,它可以非常确定一个景观和一匹马,但它可能会要求你确认一个大猩猩是否确实是一张脸的图片)。 在半监督学习中,有两种不同的算法,从标记的例子开始,然后相互“告诉”他们对大量未标记数据的看法。 他们从这个“讨论”中学习。
监督式学习是指您的算法所提供的数据被“标记”以帮助您的逻辑做出决定。
示例:贝叶斯垃圾邮件过滤,您必须将某个项目标记为垃圾邮件才能优化结果。
无监督学习是试图找到相关性的算法类型,不需要除原始数据之外的任何外部输入。
例如:数据挖掘聚类算法。
监督学习
其中训练数据包括输入向量以及其相应目标向量的示例的应用被称为监督学习问题。
无监督学习
在其他模式识别问题中,训练数据由一组没有任何相应目标值的输入向量组成。 这种无监督学习问题的目标可能是在数据中发现类似的例子组,其称为聚类
模式识别和机器学习(Bishop,2006)
链接地址: http://www.djcxy.com/p/36855.html上一篇: What is the difference between supervised learning and unsupervised learning?