有監(jiān)督學(xué)習(xí)和無監(jiān)督學(xué)習(xí)的區(qū)別

1、有監(jiān)督學(xué)習(xí)和無監(jiān)督學(xué)習(xí)的區(qū)別如今機(jī)器學(xué)習(xí)和人工智能是大家耳熟能詳?shù)膬蓚€(gè)詞匯，在我們?nèi)粘Ｉ钪幸彩潜桓哳l的如今機(jī)器學(xué)習(xí)和人工智能是大家耳熟能詳?shù)膬蓚€(gè)詞匯，在我們?nèi)粘Ｉ钪幸彩潜桓哳l的提到。其實(shí)機(jī)器學(xué)習(xí)只是人工智能的一部分，是人工智能的一個(gè)子集，它往往是通過示例和 經(jīng)驗(yàn)?zāi)Ｐ妥層?jì)算機(jī)去執(zhí)行一些操作任務(wù)，研究人員和開發(fā)人員比較比較熱衷于它。在生活 中，我們應(yīng)用的很多東西其實(shí)都使用的是機(jī)器學(xué)習(xí)算法，例如我們使用的好多APP，包括 AI助手、web搜索、手機(jī)翻譯等，現(xiàn)在你手機(jī)社交媒體新聞的推薦由機(jī)器學(xué)習(xí)算法提供支 持，你在視屏網(wǎng)站上推薦的視頻、影視劇也是機(jī)器學(xué)習(xí)模型的結(jié)果，你現(xiàn)在聽歌軟件的每日 歌曲推薦也

2、是利用機(jī)器學(xué)習(xí)算法的強(qiáng)大功能來創(chuàng)建推薦你喜歡的歌曲列表等等，但是機(jī)器學(xué) 習(xí)有許多不同的風(fēng)格的應(yīng)用。在這篇文章中，我們將探討有監(jiān)督和無監(jiān)督學(xué)習(xí)，這是機(jī)器學(xué) 習(xí)算法的兩個(gè)主要類別。一,監(jiān)督學(xué)習(xí)如果你有關(guān)注有關(guān)于人工智能的新聞，你可能已經(jīng)聽說過AI算法需要很多人工標(biāo)記的 示例。這些故事指的是監(jiān)督學(xué)習(xí)，這是機(jī)器學(xué)習(xí)算法中比較流行的類別。監(jiān)督式機(jī)器學(xué)習(xí)適用于你知道輸入數(shù)據(jù)結(jié)果的情況。假設(shè)你要?jiǎng)?chuàng)建一個(gè)圖像分類機(jī)器學(xué) 習(xí)算法，該算法可以檢測(cè)貓，狗和馬的圖像。要訓(xùn)練AI模型，你必須收集貓，狗和馬照片的大型數(shù)據(jù)集。但是在將它們輸入機(jī)器學(xué)習(xí)算 法之前，你必須使用它們各自類的名稱對(duì)其進(jìn)行注釋。注釋可能包括使用文件命

3、名約定將每 個(gè)類的圖像放在單獨(dú)的文件夾中，或?qū)⒃獢?shù)據(jù)附加到圖像文件中，這是一項(xiàng)費(fèi)力的手動(dòng)任 務(wù)。標(biāo)記數(shù)據(jù)后，機(jī)器學(xué)習(xí)算法（例如卷積神經(jīng)網(wǎng)絡(luò)或支持向量機(jī)）將處理示例，并開發(fā)可將每個(gè)圖像映射到其正確類別的數(shù)學(xué)模型。如果對(duì)AI模型進(jìn)行足夠的帶有標(biāo)簽的示例訓(xùn)練，它將能夠準(zhǔn)確地檢測(cè)出包含貓，狗，馬的新圖像類別。監(jiān)督機(jī)器學(xué)習(xí)解決了兩種類型的問題：分類和回歸。上面說明的示例是一個(gè)分類問題，其中機(jī)器學(xué)習(xí)模型必須將輸入放入特定的存儲(chǔ)桶或類別中。分類問題的另一個(gè)示例是語音識(shí) 別?；貧w機(jī)器學(xué)習(xí)模型不限于特定類別。它們可以具有連續(xù)的，無限的價(jià)值，例如客戶將為 產(chǎn)品支付多少費(fèi)用或明天下雨的可能性。一些常見的監(jiān)督學(xué)習(xí)算法

4、包括：線性和邏輯回歸樸素貝葉斯 支持向量機(jī)決策樹和隨機(jī)森林人工神經(jīng)網(wǎng)絡(luò)二、無監(jiān)督學(xué)習(xí)假設(shè)你是一個(gè)電子商務(wù)零售企業(yè)主，擁有數(shù)千個(gè)客戶銷售記錄。你想找出哪些客戶有共 同的購買習(xí)慣，以便可以使用該信息向他們提出相關(guān)建議并改善你的追加銷售政策。問題在 于你沒有預(yù)定義的類別將客戶劃分為多個(gè)類別。因此，你不能訓(xùn)練監(jiān)督式機(jī)器學(xué)習(xí)模型來對(duì) 客戶進(jìn)行分類。這是一個(gè)集群?jiǎn)栴}，是無監(jiān)督機(jī)器學(xué)習(xí)的主要用途。與監(jiān)督學(xué)習(xí)不同，無監(jiān)督機(jī)器學(xué)習(xí) 不需要標(biāo)記數(shù)據(jù)。它仔細(xì)研究了訓(xùn)練示例，并根據(jù)它們的共同特征將它們分為幾類。訓(xùn)練有素的無監(jiān)督機(jī)器學(xué)習(xí)算法會(huì)將你的客戶劃分為相關(guān)的集群。這將幫助你根據(jù)客戶 與集群中其他人的共同偏好來預(yù)測(cè)

5、客戶將購買的產(chǎn)品。K-means是眾所周知的無監(jiān)督聚類機(jī)器學(xué)習(xí)算法。使用k均值的挑戰(zhàn)之一是知道將數(shù) 據(jù)劃分為多少個(gè)群集。太少的包會(huì)打包不太相似的數(shù)據(jù)，而太多的簇只會(huì)使你的模型復(fù)雜且 不準(zhǔn)確。除了聚類之外，無監(jiān)督學(xué)習(xí)還可以執(zhí)行降維。當(dāng)數(shù)據(jù)集具有太多特征時(shí)，可以使用降 維。假設(shè)你有一個(gè)有關(guān)客戶的信息表，該表有100列。擁有有關(guān)你的客戶的大量數(shù)據(jù)可能 聽起來很有趣。但實(shí)際上并非如此。隨著數(shù)據(jù)中功能數(shù)量的增加，你還需要更大的樣本集來訓(xùn)練準(zhǔn)確的機(jī)器學(xué)習(xí)模型。你可 能沒有足夠的樣本來訓(xùn)練100列模型。太多的功能也增加了過度擬合的機(jī)會(huì)，這實(shí)際上意 味著你的AI模型在訓(xùn)練數(shù)據(jù)上表現(xiàn)良好，而在其他數(shù)據(jù)上表現(xiàn)不佳。無監(jiān)督的機(jī)器學(xué)習(xí)算法可以分析數(shù)據(jù)并找到不相關(guān)的特征，可以將其刪除以簡(jiǎn)化模型而 不會(huì)失去寶貴的見解。例如，對(duì)于我們的客戶表，通過降維算法運(yùn)行它后，我們可能發(fā)現(xiàn)與 客戶的年齡和家庭住址相關(guān)的功能幾乎沒有關(guān)聯(lián)，因此我們可以將其刪除。主成分分析（PCA）是一種流行的降維機(jī)器學(xué)習(xí)算法。一些安全分析師還使用無監(jiān)督的機(jī)器學(xué)習(xí)進(jìn)行異常檢測(cè)，以識(shí)別組織網(wǎng)絡(luò)中的惡意活 動(dòng)。無監(jiān)督學(xué)習(xí)的好處之一是，它不需要監(jiān)督學(xué)習(xí)必須經(jīng)歷的費(fèi)力的數(shù)據(jù)標(biāo)記過程。但是， 要