1、定义
引用维基百科和百度百科。
监督式学习
(英语
:Supervised learning
),是一个机器学习
中的方法,可以由训练资料中学到或建立一个模式(函数 / learning model),并依此模式推测新的实例。
训练资料是由输入物件(通常是向量)和预期输出所组成。函数的输出可以是一个连续的值(称为回归分析),或是预测一个分类标签(称作分类)。(wikipedia)利用一组已知类别的样本调整分类器的参数,使其达到所要求性能的过程,也称为监督训练或有教师学习。(baidu)
无监督学习/非监督式学习(unsupervised learning):设计分类器时候,用于处理未被分类标记的样本集。监督学习中在给予计算机学习样本的同时,还告诉计算各个样本所属的类别。若所给的学习样本不带有类别信息,就是无监督学习。(baidu)
非监督式学习
是一种机器学习
的方式,并不需要人力来输入标签。它是监督式学习
和强化学习
等策略之外的一种选择。在监督式学习中,典型的任务是分类和回归分析
,且需要使用到人工预先准备好的范例。
一个常见的非监督式学习是数据聚类
。
百度百科和维基百科定义有点抽象,为了更为简明的在神经网络学习中进行表述,我们给出我们对监督学习和非监督学习的定义:
监督式学习:能够通过训练样本集或专家知识构建已知且确定的判定函数,并根据训练集和该判定函数形成模型改进策略,对模型参数进行不断改进,完成模型学习的过程称为监督式学习;如果无法从训练样本集或专家知识构建确定的判定函数,而通过训练集与一给定的判定函数进行模型参数不断改进,完成学习的过程称为非监督式学习。