監(jiān)督學(xué)習(xí)

監(jiān)督學(xué)習(xí)，小編有個簡單的理解方式，按照這個順序來理解

1、有兩撥人，一撥人是好人，一撥是壞人

2、好人的行為特征有：扶老奶奶過馬路，撿到一分錢交給警察叔叔，當(dāng)志愿者等等

3、壞人的行為特征有：偷東西，搶劫，欺負(fù)好人等等

4、有個審判官，根據(jù)你的行為來進(jìn)行判斷是好人還是壞人

5、新進(jìn)來一個小伙伴，由于此人經(jīng)常扶老奶奶過馬路，當(dāng)志愿者等等，因此審判官就把你判斷為好人

這五點，融入到機(jī)器學(xué)習(xí)里面，用機(jī)器學(xué)習(xí)的話來說

好人與壞人：標(biāo)簽

好人或者壞人的行為：特征值

審判官：訓(xùn)練好的模型

新來的小伙伴：未知類別，待打上標(biāo)簽的數(shù)據(jù)

這樣子是不是就比較好理解了，機(jī)器學(xué)習(xí)里面，先根據(jù)已有數(shù)據(jù)進(jìn)行模型訓(xùn)練從而得到一個函數(shù)，當(dāng)有新的數(shù)據(jù)到來的時候，根據(jù)這個函數(shù)預(yù)測結(jié)果。

監(jiān)督學(xué)習(xí)里面的訓(xùn)練集合包含了輸入與輸出，代表著特征值與標(biāo)簽值。

在一般情況下，用來訓(xùn)練的訓(xùn)練集的標(biāo)簽都是由業(yè)務(wù)方來標(biāo)記，在工作中，最常見的其實就是數(shù)據(jù)分類了，通過已有的訓(xùn)練的樣本去訓(xùn)練得到一個模型，我們會采用K折交叉驗證來進(jìn)行調(diào)參，從而得到參數(shù)的局部最優(yōu)解，再根據(jù)這個模型去預(yù)測數(shù)據(jù)。

在監(jiān)督學(xué)些中，最常見的是回歸與分類，常見的算法有KNN，SVM，隨機(jī)森林等

無監(jiān)督學(xué)習(xí)

相比于監(jiān)督學(xué)習(xí)，無監(jiān)督學(xué)習(xí)，其實就是少了這個監(jiān)督，也就是沒有標(biāo)簽。

還是那兩撥人，但是這兩撥人沒有實現(xiàn)標(biāo)記誰是好人，誰是壞人，他們聚在一起，這時候，上帝之手出現(xiàn)了，它讓這些人喜歡干嘛就去干吧，不要猶豫，于是乎，好人們開始去扶老奶奶過馬路，壞人們開始去當(dāng)小偷，上帝之手成功把這兩撥人給分離開來，接著，給他們分別打上標(biāo)簽：好人，壞人。

這個上帝之手，就是計算機(jī)。

無監(jiān)督學(xué)習(xí)中，有兩種方法

1、基于概率密度函數(shù)直接評估：其實就是根據(jù)每一個類別的特征在空間的分布情況得到分布參數(shù)，根據(jù)這些分布參數(shù)來進(jìn)行分類。

2、基于數(shù)據(jù)樣本之間的相似性進(jìn)行度量的聚類方式：假定每一個類別都有核心（當(dāng)成黑幫老大來理解），以這個核心的特征為標(biāo)準(zhǔn)，把其他樣本的特征與這個核心的特征進(jìn)行比較，當(dāng)發(fā)現(xiàn)這是一類人的時候，就整合在一起好了，這樣子，不同類別就出來了。

這就是聚類，算法中，K-Mean，PCA，很多深度學(xué)習(xí)的算法，都是無監(jiān)督學(xué)習(xí)。

兩者的區(qū)別

1、監(jiān)督學(xué)習(xí)必須有訓(xùn)練樣本及測試樣本，對訓(xùn)練樣本進(jìn)行訓(xùn)練得到規(guī)律，再用這個規(guī)律來運用在測試樣本上；當(dāng)時無監(jiān)督學(xué)習(xí)就不用，一組數(shù)據(jù)，啥都沒有，直接就扔給計算機(jī)，讓它自己算。

2、監(jiān)督學(xué)習(xí)必須有標(biāo)簽，無監(jiān)督學(xué)習(xí)不用標(biāo)簽，讓計算機(jī)自己去分類，然后我們?nèi)斯じ鶕?jù)業(yè)務(wù)情況打上標(biāo)簽。

兩者的使用場景

這個說簡單也挺簡單，根據(jù)業(yè)務(wù)方來定，如果業(yè)務(wù)方給了一組數(shù)據(jù)，然后還告知了類別，那就用監(jiān)督學(xué)習(xí)，反著，則用無監(jiān)督學(xué)習(xí)。