有监督学习&无监督学习
有监督学习（Supervised Learning）和无监督学习（Unsupervised Learning）是机器学习中的两种主要方法，它们在目标、数据使用和应用场景上有显著的区别：
- 目标不同：
- 有监督学习：目的是通过训练数据集（包含输入特征和对应的标签）来学习一个模型，以便对新的、未见过的数据进行预测或分类。它的目标是找到输入数据和输出标签之间的关系。
- 无监督学习：目的是在没有标签的数据中发现模式、结构或分布。它试图理解数据的本质，而不是预测或分类。
- 数据使用：
- 有监督学习：需要标注过的训练数据，即每个训练样本都有一个与之对应的标签。
- 无监督学习：使用未标注的数据，算法需要自己找出数据中的结构。
- 应用场景：
- 有监督学习：常用于分类（如垃圾邮件识别）、回归（如房价预测）等任务。
- 无监督学习：常用于聚类（如市场细分）、关联规则学习（如购物篮分析）、异常检测（如信用卡欺诈检测）等任务。
- 算法示例：
- 有监督学习：决策树、支持向量机（SVM）、神经网络、逻辑回归等。
- 无监督学习：K-均值聚类、主成分分析（PCA）、自编码器、生成对抗网络（GANs）等。
- 评估方式：
- 有监督学习：通常使用准确率、召回率、F1分数、均方误差（MSE）等指标来评估模型性能。
- 无监督学习：评估较为复杂，可能使用内部评价指标（如簇内距离）或外部评价指标（如果已知真实标签）。
- 挑战：
- 有监督学习：需要大量的标注数据，标注成本高，且对数据的噪声和不完整性敏感。
- 无监督学习：由于缺乏标签，很难验证模型是否找到了正确的数据结构，且结果的解释性不如有监督学习。
- 半监督学习：介于有监督学习和无监督学习之间，使用少量标注数据和大量未标注数据进行训练。
- 强化学习：虽然不属于有监督或无监督学习，但它是一种通过与环境的交互来学习如何做出决策的方法。
总的来说，有监督学习关注于预测和决策，而无监督学习关注于探索和发现数据的内在结构。
有监督学习
一、监督学习的基本概念
1.1 概念定义
监督学习是通过已知的输入和输出数据样本，来学习一个确定性函数或概率分布模型的方法。在监督学习中，输入和输出变量都是已知的，同时，学习器的输出也必须与人工给定的真实结果一致。监督学习通常可分为两类：回归问题和分类问题。回归问题是指对连续值的预测问题，比如预测房价、股票价格等；分类问题是指对离散值的预测问题，比如判断一封邮件是否为垃圾邮件、预测肿瘤是否为恶性等。
1.2 基本步骤
监督学习的基本步骤可以概括为以下三步：
（1）数据准备：需要将已知数据分为训练集和测试集，通常采用交叉验证方法来划分数据集。
（2）模型选择：需要选择适合问题的模型，比如线性回归模型、决策树模型、支持向量机模型等。
（3）模型训练和预测：使用训练数据对模型进行训练，然后用测试数据集对模型进行预测，并通过评价指标对模型进行评价。
二、常见的监督学习算法
2.1 线性回归
线性回归是一种基本的监督学习算法，适用于解决大部分的回归问题。线性回归假设目标函数是一个线性组合，并利用样本的输入和输出将其拟合。线性回归模型的形式如下：
y
=
w
0
+
∑
i
=
1
n
w
i
x
i
y=w_0+\sum_{i=1}^nw_ix_i
y=w0+i=1∑nwixi
其中，y 表示预测值，x_i 表示输入特征，w_i 表示特征权重，w_0 表示截距。线性回归模型的训练过程就是求解权重向量 w 使得预测值与真实值之间的平均方差最小。
2.2 决策树
决策树是一种基于分支结构的非参数监督学习算法，用于解决分类和回归问题。决策树将样本分成多个子集，每个子集对应于一个叶子节点，其内部节点表示特征选择规则。决策树算法的核心是构建决策树，根据信息增益或基尼指数等指标，选择最优的特征进行分割。常用的决策树算法包括 ID3、C4.5、CART 等。
2.3 支持向量机
支持向量机是一种二分类和回归问题的监督学习算法，主要用于分类问题。支持向量机的主要思想是在特征空间中寻找一个最优划分超平面，使得不同类别的数据点距离该超平面最近时距离最大，可以通过核函数的变换实现非线性分类问题。支持向量机是一种高效的分类算法，被广泛应用于计算机视觉、文本分类等领域。
2.4 朴素贝叶斯
朴素贝叶斯是一种基于贝叶斯定理的分类算法，处理分类问题时，它假设特征之间条件独立，即其后验概率可以通过先验概率和条件概率的乘积求得。朴素贝叶斯分类器拥有简单和快速的分类方法，常被用于垃圾邮件分类、文本分类、情感分析等任务。
三、监督学习的评价指标
3.1 准确率和召回率
准确率和召回率是用于评估分类模型性能的重要指标。准确率是指分类器正确分类所有测试集样本的百分比，其计算公式为：
A
c
c
u
r
a
c
y
=
T
P
+
T
N
T
P
+
T
N
+
F
P
+
F
N
Accuracy=\frac{TP+TN}{TP+TN+FP+FN}
Accuracy=TP+TN+FP+FNTP+TN
其中，TP 表示真阳性（true positive）、TN 表示真阴性（true negative）、FP 表示假阳性（false positive）、FN 表示假阴性（false negative）。
召回率是指分类器能够正确识别出正样本的能力，其计算公式为：
R
e
c
a
l
l
=
T
P
T
P
+
F
N
Recall=\frac{TP}{TP+FN}
Recall=TP+FNTP
3.2 F1 值
F1 值是准确率和召回率的综合度量，可以用来对各种分类算法的性能进行比较。F1 值是准确率和召回率的加权调和平均值，其计算公式为：
F
1
=
2
P
R
P
+
R
F1=\frac{2PR}{P+R}
F1=P+R2PR
其中，P 表示准确率，R 表示召回率。
3.3 AUC
AUC（Area Under Curve）被广泛使用于评估分类模型性能。AUC 总结了分类器所有可能的预测排序，是 ROC 曲线下的面积。AUC 值越接近于 1，说明分类器具有更好的性能，越接近于 0.5，则说明分类器的性能较差。
🍉案例
🍈监督学习 - 房价预测（回归）
（https://gitcode.com/open-source-toolkit/a4add?utm_source=highlight_word_gitcode&word=%E6%88%BF%E4%BB%B7%E9%A2%84%E6%B5%8B&isLogin=1）
import pandas as pd
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LinearRegression
from sklearn.metrics import mean_squared_error
# 数据加载
data = pd.read_csv('housing.csv')
# 数据预处理
X = data.drop('price', axis=1)
y = data['price']
# 分割数据集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)
# 模型选择与训练
model = LinearRegression()
model.fit(X_train, y_train)
# 模型评估
y_pred = model.predict(X_test)
mse = mean_squared_error(y_test, y_pred)
print(f'Mean Squared Error: {mse}')
在这个案例中，我们使用线性回归算法预测房价。通过将数据集分为训练集和测试集，我们训练模型并评估其性能。
无监督学习
无监督学习涉及从未标记的数据中发现模式、结构和关联。以下是一些常见的无监督学习算法：
**聚类算法（**Clustering Algorithms）：聚类算法用于将数据样本划分为不同的组或簇，每个簇内的样本具有相似的特征。常见的聚类算法包括K均值聚类（K-means clustering）、层次聚类（Hierarchical clustering）和DBSCAN（Density-Based Spatial Clustering of Applications with Noise）。
主成分分析（Principal Component Analysis，PCA）：PCA是一种降维算法，用于减少数据的维度，同时保留最重要的特征。它通过线性变换将原始特征映射到较低维度的新特征空间，其中新特征称为主成分。
**关联规则挖掘（**Association Rule Mining）：关联规则挖掘用于发现数据中的频繁项集和关联规则。它可以揭示数据中的隐含关系和相关性，例如超市购物篮中的商品组合。Apriori算法和FP-Growth算法是常用的关联规则挖掘算法。
异常检测（Anomaly Detection）：异常检测算法用于识别数据中的异常或异常行为。它通过与正常模式的差异来识别异常样本，有助于发现潜在的问题或异常情况。
自组织映射（Self-Organizing Maps，SOM）：SOM是一种神经网络算法，用于将多维数据映射到一个二维或三维的拓扑结构上。它可以可视化数据的分布和聚类结构。
高斯混合模型（Gaussian Mixture Models，GMM）：GMM是一种概率模型，用于建模多个高斯分布的组合。它可以用于聚类、密度估计和生成新的样本。
t-SNE：t-SNE是一种非线性降维算法，用于可视化高维数据。它能够在保持数据之间的局部和全局关系的同时，将高维数据映射到低维空间。
案例
🍈无监督学习 - 客户分群（聚类）
import pandas as pd
from sklearn.preprocessing import StandardScaler
from sklearn.cluster import KMeans
import matplotlib.pyplot as plt
# 数据加载
data = pd.read_csv('customer_data.csv')
# 数据预处理
scaler = StandardScaler()
data_scaled = scaler.fit_transform(data)
# 模型选择与训练
kmeans = KMeans(n_clusters=3, random_state=42)
kmeans.fit(data_scaled)
# 聚类结果
labels = kmeans.labels_
# 结果分析
plt.scatter(data_scaled[:, 0], data_scaled[:, 1], c=labels, cmap='viridis')
plt.xlabel('Feature 1')
plt.ylabel('Feature 2')
plt.title('Customer Segmentation')
plt.show()
在这个案例中，我们使用K-means聚类算法对客户数据进行分群。通过数据标准化和K-means算法，我们可以发现数据中的自然分组。
扫一扫
1777
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
