浅谈监督学习与非监督学习

简介: 浅谈监督学习与非监督学习

写在前面


粗鄙地谈谈一些关于监督学习和非监督学习的认知,内容上若有偏颇,还望各位大佬的斧正!谢谢大家


监督学习


       监督学习是指:对已知类别的数据调整分类函数的参数,达到所设定目标的过程。在监督学习中每一组数据都是由输入和输出组成,监督学习的设计算法,其内核是为了分析训练数据构造一个映射,能够将输入和输出联系起来。


   例举几种代表性的算法:


   支持向量机(SVM


人工神经网络(ANN


卷积神经网络(CNN


K近邻(KNN)


   大家也可将监督学习视作:唯心主义的学习


   “唯心论”在监督学习中,我是这样解释的:通过监督学习我能够得到“我所需要的映射”,这个映射关系是可以跟随我的“意志”改变而改变,这组数据的“属性”是跟随我的“意志”更改的。


    例如:在对视频提取关键帧的过程中,“我”视频中的 “投篮” 动作为关键帧,那么我需要对视频图像通过监督学习得到 “投篮” 动作得到的“结果”随我的 “意志” 的更改而更改,假设我现在不需将“投篮”动作视为 “目标” 的话,而是 “传球” 动作视作 “目标” ,那么我得到的结果将是该视频中所有的 “传球” 动作。这个结果是跟随着我的 “意志” 改变而改变。


非监督学习


       非监督学习是指:对未知类别信息情况下,通过对所研究对象的大量样本的数据分析实现对样本分类的一种数据处理方法。非监督学习是没有专一的映射关系,其内核算法是可以广泛应用到各种实际应用之中(与监督学习不同,监督学习是专为该类型数据而设计的)。银币是双面的,非监督学习同样如此,它既然拥有很强的泛化性,那么它必然在数据处理上面有其结果“不可预料”


       非监督学习最具有代表性的算法为:聚类


****    大家可将非监督学习视作:唯物主义学习


  **    “唯物论”** 在非监督学习中,由于它没有人为的设定类别属性,得到的结果是根据数据自身的属性得到的,没有人为的干预,其结果往往具有自己独特的亮点,但也不完全符合“自己的心意”。唯物的结果更为客观!


       例如:在对视频提取关键帧的过程中,我使用聚类的方法,我设定将数据分类两类,其结果可能不是我预想的 “投篮” (假设我自己想要的是投篮),可能是传球动作、盖帽动作、暴扣动作、打手动作等。我得到的结果并不会随着我的“意志”的改变而改变结果



目录
打赏
0
0
0
0
181
分享
相关文章
大模型开发:解释监督学习和非监督学习之间的区别。
监督学习与非监督学习是机器学习的两大分支。监督学习使用带标签的训练数据来学习预测模型,如线性回归、SVM,常用于分类和回归问题。非监督学习则从无标签数据中挖掘模式和结构,如聚类、PCA,适用于市场细分和异常检测。关键在于根据任务和数据选择合适的方法。
416 1
无监督学习与数据聚类:从理论到实践
无监督学习与数据聚类:从理论到实践
132 12
半监督学习
半监督学习(SSL)结合少量标注数据和大量未标注数据,提升模型性能。经典方法包括自训练、协同训练和生成式方法;深度学习时代则涌现了一致性正则化、对比学习增强和基于图的SSL等技术。前沿突破涵盖扩散模型和大语言模型驱动的SSL。当前面临理论与工程挑战,未来探索方向包括量子SSL和神经符号融合。最新性能评估显示,在多个数据集上SSL方法显著优于传统全监督学习。
无监督学习
无监督学习是机器学习的一种,无需标注数据即可发现数据内部的模式和结构。其主要任务包括聚类、降维、生成模型、异常检测、数据压缩、模式识别、关联规则学习和自组织映射等,广泛应用于图像分析、自然语言处理等领域。尽管评估模型性能较为困难,但无监督学习能有效揭示数据的内在规律。
TimeDART:基于扩散自回归Transformer 的自监督时间序列预测方法
近年来,深度神经网络成为时间序列预测的主流方法。自监督学习通过从未标记数据中学习,能够捕获时间序列的长期依赖和局部特征。TimeDART结合扩散模型和自回归建模,创新性地解决了时间序列预测中的关键挑战,在多个数据集上取得了最优性能,展示了强大的泛化能力。
175 0
TimeDART:基于扩散自回归Transformer 的自监督时间序列预测方法
机器学习中的监督学习与非监督学习
在机器学习领域,算法主要分为两大类:监督学习(Supervised Learning)和非监督学习(Unsupervised Learning)。这两种方法在数据处理和问题解决方面各有特点和应用场景。本文将详细介绍监督学习与非监督学习的基本概念、区别以及它们的常见应用。
349 0
用于语义图像分割的弱监督和半监督学习:弱监督期望最大化方法
这篇论文只有图像级标签或边界框标签作为弱/半监督学习的输入。使用期望最大化(EM)方法,用于弱/半监督下的语义分割模型训练。
190 0
AI助理

你好,我是AI助理

可以解答问题、推荐解决方案等