监督学习和无监督机器学习算法

什么是监督式机器学习？它与无监督式机器学习有何关联？

在这篇文章中，您将了解**监督式学习**、**无监督式学习**和**半监督式学习**。阅读本文后，您将了解：

• 关于分类和回归的监督式学习问题。
• 关于聚类和关联的无监督式学习问题。
• 用于监督式和无监督式问题的示例算法。
• 介于监督式和无监督式学习之间的问题，称为半监督式学习。

通过我的新书《掌握机器学习算法》**启动您的项目**，其中包括**分步教程**和所有示例的**Excel电子表格**文件。

让我们开始吧。

监督学习和无监督机器学习算法
照片由美国教育部提供，保留部分权利。

监督式机器学习

大多数实际的机器学习都使用监督式学习。

监督式学习是指您拥有输入变量 (x) 和输出变量 (Y)，并使用算法学习从输入到输出的映射函数。

Y = f(X)

目标是很好地近似映射函数，以便当您有新的输入数据 (x) 时，您可以预测该数据的输出变量 (Y)。

它被称为监督式学习，因为算法从训练数据集中学习的过程可以被视为老师监督学习过程。我们知道正确答案，算法迭代地对训练数据进行预测，并由老师进行纠正。当算法达到可接受的性能水平时，学习停止。

获取您的免费算法思维导图

方便的机器学习算法思维导图样本。

我创建了一份方便的思维导图，其中包含60多种按类型组织的算法。

下载、打印并使用它。

监督式学习问题可以进一步分为回归问题和分类问题。

• **分类**：分类问题是指输出变量是一个类别，例如“红色”或“蓝色”，或者“患病”和“未患病”。有时这些类别用数字表示，但其值没有实际意义。它们只是标签。
• **回归**：回归问题是指输出变量是一个实数，例如“美元”或“体重”。

一些基于分类和回归构建的常见问题类型分别包括推荐和时间序列预测。

监督式机器学习算法的一些流行示例是：

• 用于回归问题的线性回归。
• 用于分类和回归问题的随机森林。
• 用于分类问题的支持向量机。

无监督式机器学习

无监督式学习是指您只有输入数据 (X) 而没有相应的输出变量。

无监督式学习的目标是建模数据中的潜在结构或分布，以便更多地了解数据。

这些被称为无监督式学习，因为与上述监督式学习不同，没有正确答案，也没有老师。算法依靠自身发现并呈现数据中有趣的结构。

无监督式学习问题可以进一步分为聚类问题和关联问题。

• **聚类**：聚类问题是指您希望发现数据中固有的分组，例如按购买行为对客户进行分组。
• **关联**：关联规则学习问题是指您希望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。

无监督式学习算法的一些流行示例是：

• 用于聚类问题的k-means算法。
• 用于关联规则学习问题的Apriori算法。
• 用于文本段落主题建模的LDA，即发现关键词并将其与文本关联起来。

半监督式机器学习

如果您有大量的输入数据 (X)，但只有部分数据被标记 (Y)，则这些问题称为半监督式学习问题。

这些问题介于监督式和无监督式学习之间。

一个很好的例子是照片存档，其中只有部分图像被标记（例如狗、猫、人），而大部分未被标记。

许多现实世界的机器学习问题都属于这一领域。这是因为标记数据可能需要领域专家的参与，因此成本高昂或耗时。而未标记数据则便宜且易于收集和存储。

您可以使用无监督式学习技术来发现和学习输入变量中的结构。

您还可以使用监督式学习技术对未标记数据进行最佳猜测预测，将这些数据作为训练数据反馈给监督式学习算法，并使用该模型对新的未见过的数据进行预测。

机器学习中语言模型的最新发展是半监督式机器学习的一个很好的例子：对于给定的句子，学习算法根据句子中1到N的词来预测词N+1。标签 (Y) 可以从输入 (X) 中导出。

总结

在这篇文章中，您学习了监督式、无监督式和半监督式学习之间的区别。您现在知道：

• **监督式**：所有数据都已标记，算法学习从输入数据预测输出。
• **无监督式**：所有数据都未标记，算法学习从输入数据中固有的结构。
• **半监督式**：部分数据已标记，但大部分未标记，可以使用监督式和无监督式技术的组合。

您对监督式、无监督式或半监督式学习有任何疑问吗？请在评论中提出您的问题，我将尽力回答。

了解机器学习算法的工作原理！

几分钟内了解算法如何工作

...只需算术和简单示例

在我的新电子书中探索如何实现
精通机器学习算法

它涵盖了**10种顶级算法**的**解释**和**示例**，例如：
_线性回归_、_k-近邻_、_支持向量机_等等...

最后，揭开
机器学习算法的神秘面纱

跳过学术理论。只看结果。

查看内容