机器学习基础 | 监督学习与无监督学习的快速入门指南

介绍

监督学习和无监督学习有什么区别？

对于机器学习的初学者和新手来说，这是一个常见的问题。答案是理解机器学习算法本质的核心。如果没有明白监督学习与无监督学习之间的区别，你的机器学习之旅就无法继续进行。

实际上，这是你踏上机器学习之旅之初应该学习的东西。如果我们不了解线性回归，逻辑回归，聚类，神经网络等算法的适用范围，就不能简单地跳到模型构建阶段。

如果我们不知道机器学习算法的目标是什么，我们将无法建立一个准确的模型。这就是监督学习与无监督学习的由来。

在这篇文章中，我将用例子讨论这两个概念，并回答一个大问题——如何决定何时使用监督学习或非监督学习?

什么是监督学习？

在监督学习中，计算机是通过数据来训练的。它从过去的数据中学习，并将学习到的东西应用到现在的数据中，以预测未来的事件。在这种情况下，输入数据和期望的输出数据都为预测未来事件提供帮助。

为了准确预测，输入数据被标记了正确的类别。

监督机器学习分类

重要的是要先记住，所有有监督学习算法本质上都是复杂的算法，分为分类或回归模型。

1） 分类模型：分类模型用于输出变量可以分类的问题，例如“是”或“否”、“通过”或“失败”。分类模型用于预测数据的类别。现实生活中的例子包括垃圾邮件检测、情绪分析、考试记分卡预测等。

2） 回归模型：回归模型用于输出变量为实际值的问题，例如唯一的数字、美元、工资、体重或压力。它通常用于根据先前的数据观测预测数值。一些比较常见的回归算法包括线性回归、logistic回归、多项式回归和岭回归。

监督学习算法在现实生活中有一些非常实际的应用，包括：

• 文本分类

• 人脸检测

• 签名识别

• 客户发现

• 垃圾邮件检测

• 天气预报

• 根据当前市场价格预测房价

• 股票价格预测等

什么是无监督学习？

另一方面，无监督学习是训练机器使用既没有分类也没有标记的数据的方法，这意味着不能提供任何训练数据，机器只能自己学习。机器必须能够对数据进行分类，而无需事先提供任何有关数据的信息。

其思想是将机器暴露在大量变化的数据中，并允许它从这些数据中学习，以提供以前未知的见解，并识别隐藏的模式。因此，没有必要定义无监督学习算法的结果，相反，它确定了与给定数据集不同或有趣的内容。

这台机器需要编程才能自动学习。计算机需要理解结构化和非结构化数据。以下是无监督学习的精确说明：

1)聚类是最常见的无监督学习方法之一。聚类的方法包括将未标记的数据组织到称为聚类的集群中。因此，集群是类似数据项的集合。这里的主要目标是发现数据点之间的相似性，并将相似的数据点分组到一个集群中。

2)异常检测是指识别与大部分数据有显著差异的稀有项、事件或观测值的方法。我们通常在数据中寻找异常或异常值，因为它们是可疑的。异常检测常用于银行诈骗和医疗差错检测。

无监督学习算法的应用

无监督学习算法的一些实际应用包括：

• 欺诈检测

• 恶意软件检测

• 数据输入过程中人为错误的识别

• 进行精确的购物篮分析等

你应该怎么选择监督学习和无监督学习？

在制造业中，哪种机器学习方法最适合给定的任务受着有许多因素的影响。而且，由于每个机器学习问题都是不同的，决定使用哪种技术是一个复杂的过程。

一般来说，磨练正确机器学习方法的一个好策略是：

• 评估数据。它有标签吗？是否有专家知识支持附加标签？这将有助于确定是否应使用有监督、无监督、半监督或强化的学习方法

• 明确目标。这个问题是反复出现的吗？或者，该算法是否有望预测新的问题?

• 回顾在维数(特征、属性或特征的数量)方面可能适合该问题的现有算法。候选算法应该适合整个数据量及其结构

• 研究算法类型在相似问题中的成功应用

最后的话

监督学习和非监督学习是机器学习领域的关键概念。在学习不同的机器学习算法之前，对基础知识的正确理解是非常重要的。

原文链接：https://www.analyticsvidhya.com/blog/2020/04/supervised-learning-unsupervised-learning/

☆ END ☆

如果看到这里，说明你喜欢这篇文章，请转发、点赞。微信搜索「uncle_pn」，欢迎添加小编微信「 mthler」，每日朋友圈更新一篇高质量博文（无广告）。

↓扫描二维码添加小编↓