机器学习可以大致分为有监督和无监督两大类。其中,有监督是指训练数据是带标签的,如果标签准确,其性能一般优于无监督学习。
在各大教科书上,“带标签”和“不带标签”都是直接假定的。那么,问题来了,在现实中,如何获得带标签的训练数据呢?结合自己最近参与的数据挖掘项目,我总结出了以下三种方法:
1) 人工标注:顾名思义,就是由专家人工标注部分数据,用作训练集。这种方法工作量很大,特别是在大数据挖掘中。
2) 规则标注:此方法用的较多,即通过专家设定一些过滤条件(规则),给部分数据贴上标签,获得训练集。然后,需要注意的是,规则一定要精准,宁可少获得一些训练数据,也要保证贴上标签的数据非常准确;否则,后面的机器学习学到的都是错误的啦。正是因为这样的考虑&#