原文作者：python貓娘

原文地址：監(jiān)督學(xué)習(xí)與非監(jiān)督學(xué)習(xí)

?

?一、監(jiān)督學(xué)習(xí)（supervised learning）

監(jiān)督學(xué)習(xí)（supervised learning）的任務(wù)是學(xué)習(xí)一個模型，使模型能夠?qū)θ我饨o定的輸入，對其相應(yīng)的輸出做出一個好的預(yù)測。即：利用訓(xùn)練數(shù)據(jù)集學(xué)習(xí)一個模型，再用模型對測試樣本集進行預(yù)測。例如kaggle上的泰坦尼克號比賽。

?

?官方提供旅客數(shù)據(jù)——數(shù)據(jù)集1（姓名，年齡，性別，社會經(jīng)濟階層，是否生存等），要求參賽選手建立一個預(yù)測模型來回答“另外418名乘客是否會生存？”這是一個典型的監(jiān)督學(xué)習(xí)（supervised learning）的例子。因為該訓(xùn)練資料有輸入物件（姓名，年齡，性別，社會經(jīng)濟階層等）和預(yù)期輸出（是否生存）。有無預(yù)期輸出是監(jiān)督學(xué)習(xí)（supervised learning）與非監(jiān)督學(xué)習(xí)（unsupervised learning）的區(qū)別。

我們的任務(wù)是根據(jù)數(shù)據(jù)集1建立一個預(yù)測模型（model），即學(xué)習(xí)算法（learning algorithm）。這個過程稱為“學(xué)習(xí)（learning）”或“訓(xùn)練（training）”。由于我們得到的學(xué)得模型只是接近了數(shù)據(jù)的某種潛在規(guī)律，因此被稱為‘假設(shè)（hypothesis）’。相對應(yīng)的，潛在規(guī)律自身則被稱為‘真實（ground-truth）’。學(xué)習(xí)的目的就在于找到最好的‘假設(shè)（hypothesis）’。用學(xué)習(xí)算法（learning algorithm）對數(shù)據(jù)集2的每個實例（姓名，年齡，性別，社會，社會經(jīng)濟階層等）進行判斷——‘是否能生存？’。

這是一個二分類任務(wù)（輸出為‘生存’或‘死亡’兩個維度）。如果所需結(jié)果為‘生存’，‘半生半死’或‘死亡’等多個維度，則為多分類任務(wù)。如果所需結(jié)果為生存率（0~1），則為回歸任務(wù)（輸出結(jié)果為連續(xù)值）。

分類問題（離散）與回歸問題（連續(xù)）等都是監(jiān)督學(xué)習(xí)。

分類問題：

?

?回歸問題：

?

?二、非監(jiān)督學(xué)習(xí)（unsupervised learning）

非監(jiān)督學(xué)習(xí)（unsupervised learning）為直接對數(shù)據(jù)進行建模。沒有給定事先標(biāo)記過的訓(xùn)練范例，所用的數(shù)據(jù)沒有屬性或標(biāo)簽這一概念。事先不知道輸入數(shù)據(jù)對應(yīng)的輸出結(jié)果是什么。自動對輸入的資料進行分類或分群，以尋找數(shù)據(jù)的模型和規(guī)律。如聚類算法：針對數(shù)據(jù)集，自動找出數(shù)據(jù)中的結(jié)構(gòu)，從而把數(shù)據(jù)分成不同的簇。例如：谷歌新聞利用聚類算法把不同的主題放在一起。

無監(jiān)督學(xué)習(xí)（unsupervised learning）的優(yōu)點：由于沒有標(biāo)準(zhǔn)的分類方法，有可能從數(shù)據(jù)中挖出啟發(fā)與亮點。

總結(jié)

以上是生活随笔為你收集整理的基本概念—监督与非监督的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。