声明:本博客是学习 Easy_ray 作者的博客做的笔记 https://blog.csdn.net/c369624808/article/details/78383814
一、粗略概念
学术术语就不多说了,可以去百度看看详细的解说。简明一点就是:你想用你现成的一堆数据,为了达到一个你想要的目的,然后编写出一个达到你目的的方法。
Tom Mitchell 写的 《Machine Learning》 中给出了一个比较学术的描述:“对于某类任务T和性能度量P,如果一个计算机程序在T以上以P衡量的性能随着经验E而自我完善,那么我们称这个计算机程序正在从经验E学习”
任务T --> 代码的目的(通过代码来实现根据房子大小面积等特征来预测房价的模型)
性能度量T --> 评价所构建模型的精准度(预测房价的误差误差越小越好)
经验E --> 数据 (某城区100套房子的面积和价格的真实数据)
实例 :
拥有100组数据实例,构建模型,利用100组数据去训练这个模型,将100组数据发送给模型,模型根据这一段数据不断修正模型参数来自我完善,最终结果我们可以任意将一个房子的面积或者其他特征性信息输入到模型里,改模型就会预测出房子的价格。
实例图解
房子尺寸/平方米 | 房子价格/万 |
---|---|
100 | 120 |
80 | 92 |
120 | 143 |
75 | 87 |
60 | 60 |
43 | 50 |
数据的可视化折线图
构建模型
将以上数据传到数据模型中,训练模型,说白了就是用数据来测试功能,最后哪个差值最小哪个功能算法就相对比较好。模型最终输出一条拟合线。
粗略总结
利用这条拟合线来预测房价,当输入房子尺寸对应输出价格。
这里只是大概介绍了下简要流程,并没有涉及技术和算法的介绍。我也是一边看别人的博客一边学习,随手做个我自己理解的笔记。
二、机器学习的分类
Supervised Learning 监督学习
实际上,我们手里有一组数据,房子尺寸和价格,放到模型中可以预测出价格。
监督学习可以分为两类:
1、回归(Regression)
2、分类(Classification)
- 1、回归
每一个一个变量X,都有一个相对应的Y值,通过多个已知数据的学习,构造出一个预测的模型,输入新的数据X,模型输出对应的的连续的目标值Y
使用以上概念所举的例子,散点数据中拟合的那条曲线,输入的值是单独的,但是输出的Y是连续的值,所以归类为回归问题。
- 2、分类
分类问题最终输出的是结论性的值,比如对错,是不是等,结果不只一种两种,将输入数据分为不同类别。
举例:
医院肿瘤数据,1代表恶性,0代表良性,可以通过肿瘤的大小进行预测病人的肿瘤是良性还是恶性。
肿瘤大小/厘米 | 是否为恶性 |
---|---|
1 | 0 |
12 | 1 |
2.5 | 0 |
1.9 | 0 |
7 | 1 |
9 | 1 |
画出散点图:
红色—恶性
蓝色—良性
训练数据可以简单判断出如果肿瘤大小超过6厘米,有可能是恶性肿瘤
- 3、回归和分类的区别
回归问题输出的是一个连续的值,比如放假,利润等
分类问题输出的结论性的值。
无监督学习(Unsupervised Learning)
- 1、粗略理解
和监督学习刚好相反,无监督学习并不知道所谓的结果,只有在学习数据的过程中,不断探索出数据的特征,并推断出结论。
通过给定的数据学习,来寻找隐藏在数据中的特征结构。
左—监督学习,右—无监督学习
监督学习已经知道这些数据的特征,左下角圆形数据,右上角是红叉。、
无监督学习并不知道这个数据到底有哪些特征,只能通过学习来摸索到这些数据有哪些特征。(聚类问题)
- 2、实际例子
给你一段音频,这段音频里有男声,有女声,这个时候就可以使用非监督学习方法将两个人的声音区别开来。
程序并不知道男声和女声的区别,只能通过学习数据来了解数据的特征,最终会输出男声 和 女声的音频。
强化学习(Reinforcement Learning)
强化学习中没有给定的数据,不像监督学习和无监督学习不管怎么样都有给定的数据进行样本拟合,分类,聚类等操作。
类似于正反馈学习,通过实际中的结论不断反馈来强化学习的算法。
大总结
我觉得博客博主总结的很不错,我就直接摘下来了。
-
**监督学习
特点:有特征、直接反馈、预测未来结果
技术:回归、分类
举例:房价预测、英文翻译 -
无监督学习
特点:无特征、无反馈、寻找隐藏的结构
技术:聚类、降维
举例:音频区分、新闻分类 -
强化学习
特点:决策流程、激励系统、学习一系列的行动
技术:马尔可夫决策、动态规划