监督式机器学习的基本术语

最新推荐文章于 2024-10-28 21:07:24 发布
最新推荐文章于 2024-10-28 21:07:24 发布
阅读量255 收藏 1
点赞数
分类专栏： 机器学习与深度学习 文章标签： 机器学习 深度学习 人工智能 python
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/mu_yongheng/article/details/114377876
版权

关于机器学习系统：通过学习如何组合输入西悉尼，来对未见过的数据做出有用的预测。

下面来学习一些常用术语。以一个简单的线性回归为例。由于概念比较多，所以大部分是慕课上PPT的截图，以备后续复习使用。
在这里插入图片描述

目录

监督式机器学习

1、标签和特征

标签：是我们要预测的真实事物
线性回归中的y变量

特征：是指用于描述数据的输入变量
线性回归中的{x1, x2, x3,…,xn}变量

2、样本和模型

样本是指数据的特定实例：x

  • 有标签样本具有{特征，标签}：{x，y}
    用于训练模型
  • 无标签样本具有{特征，？}：{x，?}
    用于对新数据做出预测

模型可将样本映射到预测标签：y’
由模型的内部参数定义，这些内部参数值是通过学习得到的。

3、训练

（1）训练模型表示通过有标签样本来学习（确定）所有权重和偏差的理想值
（2）在监督式学习中，机器学习算法通过以下方式构建模型：检查多个样本并尝试找出可最大限度地减少损失的模型。
这一过程称为经验风险最小化。

4、损失

损失是对糟糕预测的惩罚：损失是一个数值，表示对于单个样本而言模型，也是预测的准确程度，如果模型的预测完全准确，则损失为零，否则损失会较大。训练模型的目标是从所有样本中找到一组**平均损失“较小”**的权重和偏差。
在这里插入图片描述
在这里插入图片描述

模型训练与降低损失

1、模型训练要点

在这里插入图片描述

2、收敛

在这里插入图片描述

3、计算损失例子

在这里插入图片描述

梯度下降法

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

学习率

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

MYH永恒
关注
专栏目录
基于机器学习(Machine Learning)的图像识别技术基本概念、术语、算法原理
AI天才研究院
08-03 2061
在当今数字化时代，图像识别技术已经成为人工智能和计算机视觉领域中最重要的研究方向之一。随着机器学习，特别是深度学习技术的快速发展，基于机器学习的图像识别技术取得了突破性进展，在各个领域都有广泛的应用。从自动驾驶汽车识别路况，到医疗影像分析辅助诊断，再到安防系统中的人脸识别，图像识别技术正在改变我们的生活方式和工作方式。本文将深入探讨基于机器学习的图像识别技术，包括其基本概念、关键术语、核心算法原理以及实际应用。
【机器学习实战】监督式学习-分类
weixin_44794704的博客
03-19 850
分类 2. K-近邻算法（KNN） 2.1 KNN概述 把需要分类的数据与已分类数据（训练集）进行比较，在前k个最近的样本中，选取分类最多的类别作为该数据的类别。属于无监督学习 优点：精度高、对异常值不敏感、无数据输入假定 缺点：计算复杂度高、空间复杂度高、无法得到任何数据的基础结构信息 适用数据范围：数值型和标称型。 2.2 举例1：改进约会网站配对效果 准备数据：从文本文件中解析数据 分...
监督式学习
程序员杂谈
12-11 526
算法模型分为两类：     一类是没有标签的非监督式学习，另一类是带有标签数据的监督室学习。     监督室学习的主要目的是利用模型对未知数据做预测。监督式学习根据根据数据的不同分为两类：若标签变量表示类别（变量时离散的），则成为分类；若标签变量表示数值（变量时连续的），则成为回归。一方面，通过数据分段，将连续标签变量转换为离散标签变量，那么回归问题就变成分类问题。另一方面，大多数分类模型都是先对...
监督式学习(Supervised learning)
y小川的专栏
04-02 9362
监督式学习的定义，房屋价格和面积的例子给予直观地描述。机器学习领域的一些专业名词介绍。
监督式学习 -- 分类决策树（一）
拙峰 -- 心因饱经忧患而愈亦温厚
07-27 1966
信息熵和信息增益 一、信息熵 信息熵是信息论中的基本概念。信息论由Shannon于1948年提出并发展起来，用于解决信息传递过程中的问题，也称统计通信理论。它认为： 1、信息传递由信源、信道和信宿组成； 2、传递系统存在于一个随机干扰环境中，因此传递系统对信息的传递是随机误差的。如果把发送信息记为U而接收到信息记 V，由信道可记为通信模型，为P(U|V)。信道模型是一个条件
机器是如何学习的？（监督式学习）
DynmicResource的博客
04-20 2398
theme: orange 一起养成写作习惯！这是我参与「掘金日新计划 · 4 月更文挑战」的第20天，点击查看活动详情。 众所周知，机器学习增强了人类的能力，让以前人脑不可能的事情变成了可能。机器学习目前广泛应用于金融、产品销售、新媒体、医疗、社会科学、游戏娱乐、工业制造等众多领域，它无处不在，并且在蓬勃发展！但接下来的问题是，应用场景虽然不同，但其原理都是相同的，那么机器是如何学...
机器学习相关基本知识和术语
qq_45813977的博客
08-03 719
本文记录了西瓜书上机器学习的相关名词，作者个人业进行了部分补充，对相关指标也有部分理解。后续会另行补充。
【机器学习】1.基本概念：监督学习 非监督学习 半监督学习
Wangziv_hahaha的博客
07-29 892
【机器学习】1.基本概念：标签 特征 回归 分类 监督学习 非监督学习 半监督学习 机器学习基本概念特征与标签监督学习回归与分类非监督学习半监督学习 机器学习基本概念 特征与标签 标签是我么要预测的事物，即线性回归中的y变量。标签可以是小麦未来的价格，图片中人脸的性别，音频的含义等一切要预测的事物。 特征是是输入变量，即线性回归中的 x 变量。特征是预测事物的证据，而标签就是预测的结果。 以周志华老师在《机器学习》中判断好瓜的问题为例——给你一个西瓜，如何判断出一个它是不是成熟的好瓜？根据以前的经验，我们首
学习笔记之机器学习基本术语
tiandaochouqin820的博客
04-18 189
机器学习主要术语什么是（监督式）机器学习？简单来说，它的定义如下：机器学习系统通过学习如何组合输入信息来对从未见过的数据做出有用的预测。下面我们来了解一下机器学习的基本术语。标签标签是我们要预测的事物，即简单线性回归中的 y 变量。标签可以是小麦未来的价格、图片中显示的动物品种、音频剪辑的含义或任何事物。特征特征是输入变量，即简单线性回归中的 x 变量。简单的机器学习项目可能会使用单个特征，而比较...
机器学习之应用监督式学习
wangyuxi__的博客
05-22 1732
原创不易，如果有转载需要的话，请在首行附上本文地址，谢谢。 机器学习之应用监督式学习 什么情况下使用监督式学习？ 监督式学习算法接受已知的输入数据集合（训练集）和已知的对数据的响应（输出），然后训练一个模型，为新输入数据的响应生成合理的预测。如果你尝试去预测现有数据的输出，则使用监督式学习。 监督学习技术有哪些形式？ 监督学习技术可分为分类和回归两种形式 分类技...
一文搞懂，监督式/无监督式学习，批量学习/在线学习
A496608119的博客
04-16 3343
监督式/无监督式学习 根据训练期间接受的监督数量和监督类型， 可以将机器学习系统分为以下四个主要类别： 监督式学习、 无监督式学习、 半监督式学习和强化学习。 监督式学习 在监督式学习中，所有数据被打了标签或标记。 分类任务是一个典型的监督式学习任务。垃圾邮件过滤器就是个很好的例子：通过大量的电子邮件示例及其所属的类别（垃圾邮件或是常规邮件）进行训练，然后学习如何对新邮件进行分类。 还有典型的任务，是通过预测变量，也就是一组给定的特征（里程、使用年限、品牌等）来预测一个目标数值，例如汽车的价格.
监督式学习、 非监督式学习、强化学习
RToax
03-01 2301
Table of Contents 广义上来说，有3种机器学习算法 1. 监督式学习（Supervised Learning） 2. 非监督式学习（Unsupervised Learning） 3. 强化学习（Reinforcement Learning） 常见机器学习算法列表 广义上来说，有3种机器学习算法 1. 监督式学习（Supervised Learning） 工作机制：该...
（二）监督学习
FionaDong的博客
12-08 262
1. 什么是监督学习 监督学习（supervised learning），通俗来说，就是学习一个模型，使模型对任意给定的输入值，给出一个贴近相应真实输出的预测值。 主要由以下三个重要部分组成：模型、参数、目标函数。 2. 模型 简单来说，可以理解为定义一个明确的公式，表示输入和输出之间的关系。在已知输入后，能计算得到固定的输出。举例如下： 假设所用模型为常见的线性模型，则有预测值的加权求和公式：...
机器学习入门之监督学习
最新发布
weixin_44748012的博客
10-28 1342
分类（Classification）：当输出变量是离散的，任务是预测输入数据属于哪一个类别。例如，判断一封电子邮件是垃圾邮件还是非垃圾邮件。常见的分类算法包括逻辑回归、决策树、随机森林、支持向量机、朴素贝叶斯等。回归（Regression）：当输出变量是连续的，任务是预测一个数量。例如，根据房屋的特征（如面积、位置等）来预测房屋的价格。常见的回归算法包括线性回归、决策树回归、随机森林回归等。
监督式/无监督式学习，批量学习/在线学习概念
weixin_47658790的博客
04-19 651
目录   监督式/无监督式学习 监督式学习 无监督式学习 半监督式学习 强化学习 批量学习 在线学习 监督式/无监督式学习 根据训练期间接受的监督数量和监督类型， 可以将机器学习系统分为以下四个主要类别： 监督式学习、 无监督式学习、 半监督式学习和强化学习。 监督式学习 在监督式学习中，所有数据被打了标签或标记。  分类任务是一个典型的监督式学习任务。垃圾邮件过滤器就是个很好的例子：通过大量的电子邮件示例及其所属...
机器学习 监督式学习算法基础
qq_52804425的博客
04-29 1852
机器学习 监督式学习算法基础
MLAPP读书笔记(一)监督式学习与非监督式学习简介
vagrantabc2017的博客
09-01 732
MLAPP读书笔记(一)监督式学习与非监督式学习简介 机器学习的类别 一：预测/监督式学习{(x, y)} 1.分类 2.回归 1)序数回归 二:描述式/非监督式学习{x} 特点：自行发现知识 三:增强学习 reinforcement learning RL 通过奖励和惩罚来刺激学习 在输入矩阵A中，每行是一个特征向量xi,表示一个样本。 N x D，表示N
【科普】一文弄懂监督式学习、非监督式学习以及强化式学习
sgzqc的专栏
06-21 3321
大部分的机器学习入门课当中，一开始也最基础的观念就是机器学习的三类方式，它们分别是监督式学习、非监督式学习与强化式学习。很多同学对这三个名字都有些陌生。 这边我尝试用家长教育孩子的方式来解释他们的概念，如果有任何疏漏之处，欢迎大家多多指教。从字面上来看， 就是让机器（电脑）学习一件事情，就和我们一样，从小到大，我们深受父母、教师或朋友等影响，形成了现在的我们。机器学习也是一样，让我们假设今天电脑是你的小孩，你可以选择采用哪种教育方针教导它，使它未来能得到你预期的结果。我们首先来介绍我们的大儿子–监督式学习
机器学习入门：监督学习与无监督学习解析
总结来说，机器学习是一个广阔而深奥的领域，监督学习和无监督学习是其中的基本范式。理解这些概念，以及如何应用它们来解决问题，对于初学者来说至关重要。单变量线性回归作为一个简单的实例，能够帮助初学者理解...
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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

打赏作者

MYH永恒

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
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