监督学习

 

监督学习作为名称表明主管作为教师的存在。基本上有监督的学习是一种学习，我们使用数据进行教学或训练机器，这些数据被很好地标记，这意味着一些数据已被标记为正确答案。之后，为机器提供新的一组示例（数据），以便监督学习算法分析训练数据（训练样例集）并从标记数据产生正确的结果。

 

例如，假设你有一个装满不同种类水果的篮子。现在第一步是逐个训练机器上的所有不同水果，如下所示：

 

 

如果物体的形状是圆形的并且顶部的凹陷具有红色，那么它将被标记为 - Apple。

如果物体的形状是具有绿色 - 黄色的长弯曲圆柱体，那么它将被标记为 - 香蕉。

现在假设在训练数据之后，你已经给了一个新的单独的水果，从篮子里说香蕉并要求识别它。

 

 

由于机器已经从以前的数据中学到了东西，这次必须明智地使用它。它首先将水果的形状和颜色分类，并确认水果名称为香蕉，并将其列入香蕉类别。因此，机器从训练数据（包含果实的篮子）中学习东西，然后将知识应用于测试数据（新果实）。

 

 

 

监督学习分为两类算法：

 

分类：分类问题是当输出变量是类别时，例如“ 红色 ”或“ 蓝色 ”或“疾病”和“无疾病”。

回归：回归问题是输出变量是实际值，例如“美元”或“重量”。

无监督学习

 

无监督学习是使用既未分类也未标记的信息对机器进行培训，并允许算法在没有指导的情况下对该信息起作用。这里的机器任务是根据相似性，模式和差异对未分类的信息进行分组，而无需事先对数据进行任何训练。

 

与监督学习不同，没有提供教师，这意味着不会对机器进行培训。因此，机器被限制为通过我们自己找到未标记数据中的隐藏结构。

例如，假设给出了一张既没有看过狗又有猫的图像。

 

 

因此，机器对狗和猫的特征一无所知，因此我们无法将其归类为狗和猫。但它可以根据它们的相似性，模式和差异对它们进行分类，即我们可以很容易地将上面的图片分为两部分。首先可以包含所有带有狗的照片，第二部分可以包含所有带有猫的照片。在这里你没有学过任何东西，意味着没有训练数据或例子。

 

无监督学习分为两类算法：

 

群集：群集问题是您希望发现数据中固有分组的位置，例如通过购买行为对客户进行分组。

关联：关联规则学习问题是您想要发现描述大部分数据的规则，例如购买X的人​​也倾向于购买Y.