监督式学习(Supervised learning)

监督式学习是由一组人工标记的数据推测出假设函数的学习方法。大量训练样本构成样本集。每个训练样本包含输入值和期望输出值。下面我们看一个例子。

我们有美国波特兰地区47套房屋的居住面积及其价格的数据集。

居住面积( feet2 )价格(1000$s)
2104400
1600330
2400540
1416232
3000540

数据绘制在二维图上:
house data

根据这些数据我们可以找到预测波特兰房屋价格的方法(一个关于房屋面积的函数)吗?

我们先申明一些标记符, x(i) 表示输入变量(例子中的房屋面积),也称为输入特征 y(i) 表示我们要去预测的目标变量。一对 (x(i),y(i)) 称为训练样本,而数据集就是 m 个我们用来学习的训练样本的集合{(x(i),y(i));i=1,,m},上标 (i) 表示第 i 个样本。X表示输入空间, Y 表示输出空间,在此次例子中 X=Y=R

监督式学习的过程可表示为下图,训练集通过学习算法训练,求出一个假设(房屋面积对价格的函数)。当我们有新的数据需要预测时,给出房屋面积代入假设模型中,就会给出价格的预测值。
process

如果像这次的例子,目标变量是连续的(认为价格是连续的),学习问题就是回归问题;如果目标变量是离散的,学习问题就称为分类问题

与监督式学习对应的非监督式学习,则是在一群未标记的数据上做数据处理(可以理解为只有 x 值,没有y值)。

  • 3
    点赞
  • 9
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
对比监督学习是一种无监督学习的方法,旨在通过通过训练模型来学习数据的表示。这种方法在计算机视觉领域中得到了广泛的应用。 对比监督学习的核心思想是通过将数据例子与其在时间或空间上的某种变形或扭曲版本对比,来训练模型。这种对比鼓励模型捕捉到数据的关键特征,从而学习到更好的表示。 对比监督学习的一个常见应用是图像的自学习。通过将图像进行旋转、剪切、缩放等变形,来构建一个正样本(原始图像)和负样本(变形图像)对。然后将这些对输入到一个深度神经网络中进行训练,以学习图像表示。训练过程中,网络被要求将正样本和负样本区分开,从而学习到图像的特征。 对比监督学习有许多优点。首先,它不需要标注数据,使其适用于大规模的无标签数据。其次,由于数据自动生成,可以轻松地扩展到大数据集。另外,对比监督学习的模型可以用于其他任务的迁移学习,使得模型更通用。 然而,对比监督学习也存在一些挑战和限制。首先,生成变形样本的过程可能会降低数据的质量,从而降低学习效果。其次,选择合适的变形方和参数也是一个挑战。另外,对于某些领域和任务,对比监督学习可能不适用或效果不佳。 总之,对比监督学习是一种有效的无监督学习方法,可用于数据表示学习。它在计算机视觉领域有着广泛的应用,并具有许多优点。然而,仍然需要进一步的研究和发展来克服其中的挑战和限制。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值