有监督学习和无监督学习的机器学习框架通过理解知识和框架的性能指标来解决一系列问题。 卷积神经网络是由多个或基本互连的处理组件组成的信息处理系统,在广泛的应用中使用这些监督和非监督学习方法。
本文将帮助您了解机器学习方法的两种范式如何详细工作,并通过横向比较来轻松区分。
关键精华
- 监督学习需要标记数据进行训练,而无监督学习则使用未标记数据。
- 监督学习算法根据输入数据预测结果,而无监督学习算法发现数据中的模式和结构。
- 监督学习更适合分类和回归任务,而无监督学习则擅长聚类和降维。
监督学习与无监督学习
监督学习是机器学习的一种,它使用标记数据来学习输入变量和输出变量之间的关系。无监督学习是机器学习的一种,算法自行发现模式或结构,用于 集群 和异常检测。
与学习算法和机器学习相关的方法之一是监督学习,它需要分配标记信息以从中得出特定模式或功能目的。
值得一提的是,监督学习需要分配一个输入项(一个数组),同时预测最理想的输出值,这被称为决定监督学习结果的关键因素。监督学习最重要的特征是所需信息已知并正确分类。
另一方面,无监督学习是另一种范式,它从非结构化输入信息中推断出相关性,并根据其推断的关系得出结果。 无监督学习试图从原始数据中提取层次结构和联系。
在无监督学习中不需要监控。 相反,内部审计是根据操作员输入的输入数据自行执行的。
对比表
比较参数 | 监督学习 | 无监督学习 |
---|---|---|
类型 | 监督学习可以解决两类问题。 即分类和回归 | 聚类和关联是可以使用无监督学习解决的两类问题。 |
输出-输入关系 | 根据美联储框架计算输出,分析输入。 | 输出是独立计算的,输入仅被分析。 |
准确性 | 非常精准。 | 有时可能不准确。 |
时间 | 进行离线和输入框架分析。 | 本质上是实时的。 |
分析 | 分析和计算复杂度高。 | 分析率更高但计算复杂度更低。 |
什么是监督学习?
监督学习技术需要对系统或机器进行编程,其中向计算机提供训练示例和目标序列(输出模板)以完成任务。 “监督”一词意味着检查和指导任务和活动。
但是在哪里可以使用监督人工智能? 它主要用于模式识别回归、聚类和人工神经。
该系统由加载到模型中的信息指导,这使得预测未来事件变得更加容易,就像将数据雕刻到预定义的算法中并期望以后从类似事件中获得类似结果一样。 训练是用标记的样本完成的。
神经网络的输入序列训练结构,这也与输出有关。
该算法通过重复策略从测试数据中“学习”,证明了信息并针对深度分类中的正确答案进行了优化。 虽然监督学习技术比无监督学习方法更可靠,但它们确实需要人工参与才能对数据进行正确分类。
回归是一种统计技术,用于确定预测变量与一个或多个外生变量之间的联系,通常用于预测未来事件。 线性回归 使用分析是因为只有一个独立因素和一个结果变量。
什么是无监督学习?
无监督学习是使用非结构化原始数据得出结论的下一类神经网络算法。 无监督机器学习旨在揭示未标记数据中的潜在模式或分组。
它最常用于数据探索。 无监督学习的特点是来源或目的地未知。
与监控学习相比,无监督机器学习允许用户执行更复杂的数据处理。 另一方面,无监督机器学习可能比其他自发学习方法更不稳定。
用户分类、异常检测、人工神经和其他无监督学习技术都是例子。
因为我们几乎不了解数据,所以无监督分类器比分类器更具挑战性。 将可比样本分组在一起、小波变换和向量空间模型是常见的无监督学习问题。
学习算法的无监督技术是实时发生的,即范式以零延迟发生,输出在自然工具中计算,所有输入数据都在操作员面前进行评估和标记,使他们能够理解多种学习方式和原始数据分类。 无监督学习技术的最大好处是实时数据处理。
监督学习和无监督学习的主要区别
- 监督学习用于回归和分类问题,而无监督学习用于关联和区分目的。
- 输入数据和框架被提供给监督学习范式,而只有输入被提供给无监督学习框架。
- 通过监督学习获得准确和精确的结果,而在无监督学习中,结果并不总是准确的。
- 反馈是在监督学习中获得的,而无监督学习没有反馈吸收机制。
- 监督学习使用离线分析,而无监督学习本质上是实时的。
- https://deepai.org/machine-learning-glossary-and-terms/unsupervised-learning
- https://towardsdatascience.com/unsupervised-learning-and-data-clustering-eeecb78b422a?gi=ffdcce090f5b
最后更新时间:13 年 2023 月 XNUMX 日
Emma Smith 拥有尔湾谷学院的英语硕士学位。 自 2002 年以来,她一直是一名记者,撰写有关英语、体育和法律的文章。 在她身上阅读更多关于我的信息 生物页面.
虽然提供的信息很好,但对于普通观众来说似乎有点太技术性了。此外,没有提供足够的现实世界的例子。
我知道你来自哪里。更多相关的例子可以增强帖子的影响力。
解释的深度无疑提供了对机器学习范式的全面理解。感谢作者的出色帖子。
这篇文章提供了对机器学习范例的清晰理解。它的信息非常丰富,比较部分确实非常有帮助。
对监督学习的解释非常出色。然而,无监督学习的细节也令人印象深刻。
你说得对。监督学习和无监督学习之间的比较得到了很好的阐述。
对照表可以解释得更清楚一些。虽然信息很有洞察力,但演示文稿还可以更好。
我同意。该概念可以以更具吸引力的方式呈现,以改善整体体验。
这是一篇介绍得非常好的帖子。监督学习和无监督学习的解释清晰易懂。
同意。作者简化复杂概念的能力令人印象深刻。
这篇文章很好地剖析了监督学习和无监督学习。比较部分特别有洞察力。
当然,并排比较为这篇详细的文章增加了很多价值。
哇,这篇文章确实深入研究了监督学习和无监督学习的许多特征。它清晰、简洁、详细。比较的深度确实令人印象深刻。
绝对地!像这样详尽的解释绝对值得赞扬。
比较表非常具有启发性,有助于从概念上区分监督学习技术和无监督学习技术。确实是伟大的见解。
当然,关键要点非常有启发性。这篇文章提供了高质量的信息。