深度学习的一些基本概念(一)

申明:非原创,转载自《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

这篇是很久之前写的了.. 后来才开始上 Andrew Ng 老师的 MOOC,发现其实老师讲得很好了,建议有时间看看他的《Machina Learning》,只看第一节课就可以很了解这些概念了。

主要内容

  1. 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

这里举一个给书本分类的例子。部分参考 什么是无监督学习? – 王丰的回答 – 知乎

  1. 特征(feature)

    数据的特征。

    书的内容。

  2. 标签(label)

    数据的标签。

    书属于的类别,例如“计算机”“图形学”“英文书”“教材”等。

  3. 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。

    把很多书交给一个学生,培养他给书本分类的能力。

  4. 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

    不仅把书给学生进行训练给书本分类的能力,而且把分类的结果(哪本书属于哪些类别)也给了学生做标准参考。

    计算机进行学习之后,再丢给它新的未知的数据,它也能计算出该数据导致各种结果的概率,给你一个最接近正确的结果。

  5. 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。

    只给学生进行未分类的书本进行训练,不给标准参考,学生只能自己分析哪些书比较像,根据相同与相似点列出清单,说明哪些书比较可能是同一类别的。

  6. 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)。

    给学生很多未分类的书本与少量的清单,清单上说明哪些书属于同一类别。

  7. 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。

    没有标准参考的学生给书本分的类别,表示自己认为这些书可能是同一类别的(具体什么类别不知道)。

  8. 分类(classification)

    有监督学习的两大应用之一,产生离散的结果。

    例如向模型输入人的各种数据的训练样本,产生“输入一个人的数据,判断是否患有癌症”的结果,结果必定是离散的,只有“是”或“否”。

  9. 回归(regression)

    有监督学习的两大应用之一,产生连续的结果。

    例如向模型输入人的各种数据的训练样本,产生“输入一个人的数据,判断此人20年后今后的经济能力”的结果,结果是连续的,往往得到一条回归曲线。当输入自变量不同时,输出的因变量非离散分布。

看不懂可以再看看下面这个例子:)

什么是无监督学习? – 王丰的回答 – 知乎

    原文作者:爱敲代码的王小帅
    原文地址: https://www.jianshu.com/p/10ea0651c585
    本文转自网络文章,转载此文章仅为分享知识,如有侵权,请联系博主进行删除。
点赞