目标:
1.说明机器学习算法监督学习与无监督学习的区别
2.说明监督学习中的分类,回归特点
分析:
当识别猫和狗时,利用特征值进行判断,当目标值是一个类别的时候,我们把这种目标值是一个类别的问题,称为分类。
目标值:类别--分类问题 特征值:猫或者狗的图片 目标值:类别
如果进行房屋价格预测时,特征值为房屋价格 ,面积,位置等时,我们预测其价格时,会发现其价格可以是一个具体的值,我们认为这是一种连续性的数据。
目标值:连续性的数据--回归问题 特征值:房屋的各个属性信息 目标值:房屋的价格
当我们的数据集中没有目标值的时候 ,我们把这种称为无监督学习
目标值:无--无监督学习 特征值:人物的各种信息 目标值:无
因此:当有目标时,称之为监督学习;无目标时,称之为无监督学习
监督学习--分类,回归--输入的数据有特征值有标签,即有标准答案
无监督学习--聚类--输入的数据有特征无标签,即没有标准答案
练习:
预测明天的气温是多少度?--回归问题
预测明天是阴,晴或雨?--分类问题
人脸年龄预测?--根据不同的判断方法,会有不同的解决问题 或者回归或者分类
人脸识别?--分类问题
总结
1.监督学习
定义:输入数据是由输入特征值和目标值所组成的。函数的输出可以是一个连续的值(回归),也可以是有限个离散值(分类)。
分类的算法:k-近邻算法,贝叶斯分类,决策树与随机森林,逻辑回归
回归的算法:线性回归,岭回归
2.无监督学习
定义:输入数据是由输入特征值所组成
算法:聚类 k-means