当下无监督作为一种热门的机器学习技术,网上有不少关于无监督与有监督差异讨论的文章。下面我们简单的区分一下两者。 对比一 : 有标签 vs 无标签 有监督机器学习又被称为“有老师的学习”,所谓的老师就是标签。有监督的过程为先通过已知的训练样本(如已知输入和对应的输出)来训练,从而得到一个最优模型,再将这个模型应用在新的数据上,映射为输出结果。再经过这样的过程后,模型就有了预知能力。 而无监督机器学习被称为“没有老师的学习”,无监督相比于有监督,没有训练的过程,而是直接拿数据进行建模分析,意味着这些都是要通过机器学习自行学习探索。这听起来似乎有点不可思议,但是在我们自身认识世界的过程中也会用到无监督学习。比如我们去参观一个画展,我们对艺术一无所知,但是欣赏完多幅作品之后,我们也能把它们分成不同的派别。比如哪些更朦胧一点,哪些更写实一些。即使我们不知道什么叫做朦胧派和写实派,但是至少我们能把他们分为两个类。 对比二 : 分类 vs 聚类 有监督机器学习的核心是分类,无监督机器学习的核心是聚类(将数据集合分成由类似的对象组成的多个类)。有监督的工作是选择分类器和确定权值,无监督的工作是密度估计(寻找描述数据统计值),这意味着无监督算法只要知道如何计算相似度就可以开始工作。 对比三 : 同维 vs 降维 有监督的输入如果是n维,特征即被认定为n维,也即y=f(xi)或p(y|xi), i =n,通常不具有降维的能力。而无监督经常要参与深度学习, |
无监督与有监督学习之深度探讨
最新推荐文章于 2024-08-07 15:33:58 发布
本文深入探讨了无监督学习与有监督学习的区别、应用场景及各自的优势。无监督学习主要通过数据的内在结构来发现模式,适用于缺乏标签的数据。而有监督学习依赖于已标记的数据,能进行精准的预测和分类。两者在机器学习领域中各有其重要地位。
摘要由CSDN通过智能技术生成