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