- 综合排序
- 最热优先
- 最新优先
- 来自专栏佛系编程人
监督学习和非监督学习
所以这几天去接触了一点机器学习方面的知识，了解到了“ 监督学习 ”和 “ 非监督学习 ” 两个基本概念，今天我就来简单分享一下 机器学习分为两大类，一是监督学习，二是非监督学习 监督学习是指 计算机通过现有训练数据集进行建模 “是监督学习中的两种任务类型 。 回归是预测一个连续的数值或范围，而分类的结果是离散的数值 其次，在监督学习的训练数据集中一定要包含分类标签和特征变量。 标称型的结果只在有限目标集内进行取值，而数值型可以在无限的数值中进行取值 监督学习就先简单介绍到这里，接下来介绍非监督学习 非监督学习 是在没有数据训练集和标签的数据中进行分析和建立合适的模型，以便给出解决方案的方法 这样做的目的是把复杂的数据集通过非监督学习算法进行转换，使其便于理解。
99130发布于 2019-08-14 - 来自专栏图灵技术域
监督学习与无监督学习
机器学习如果按照训练样本标签的有无可以分为以下两种常用方法。 有监督学习(supervised learning)和无监督学习(unsupervised learning)。 hilite=%27KNN%E7%AE%97%E6%B3%95%27 SVM算法：https://www.omegaxyz.com/tag/svm/ 无监督学习（或者叫非监督学习）则是另一种。 它与监督学习的不同之处，在于我们事先没有任何训练样本，而需要直接对数据进行建模。 无监督学习里典型的例子就是聚类了。 hilite=%27%E8%81%9A%E7%B1%BB%27 因此，learning家族的整体构造是这样的： 有监督学习（分类，回归） ↕ 半监督学习（分类，回归），transductive learning （分类，回归） ↕ 半监督聚类（有标签数据的标签不是确定的，类似于：肯定不是xxx，很可能是yyy） ↕ 无监督学习（聚类）
1.3K20发布于 2021-05-21 - 来自专栏海天一树
机器学习（二）：有监督学习、无监督学习和半监督学习
* 二、有监督学习（supervised learning） 不仅把训练数据丢给计算机，而且还把分类的结果（数据具有的标签）也一并丢给计算机分析。 * 有监督学习的结果可分为两类：分类或回归。 * 四、半监督学习（semi-supervised learning） 有监督学习和无监督学习的中间带就是半监督学习（semi-supervised learning）。 对于半监督学习，其训练数据的一部分是有标签的，另一部分没有标签，而没标签数据的数量常常远远大于有标签数据数量（这也是符合现实情况的）。 * 从不同的学习场景看，SSL可分为四大类： 1 半监督分类 半监督分类(Semi-Supervised Classification)：是在无类标签的样例的帮助下训练有类标签的样本，获得比只用有类标签的样本训练得到的分类器性能更优的分类器
2.2K60发布于 2018-04-17 - 来自专栏学习
机器学习——自监督学习与无监督学习
``# 机器学习中的自监督学习与无监督学习 在机器学习的世界中，监督学习、无监督学习和自监督学习都是重要的学习方法。 引言 随着深度学习技术的广泛应用，数据的标注成本日益成为机器学习发展的瓶颈之一。无监督学习和自监督学习因此逐渐成为解决这一问题的重要工具。 在接下来的章节中，我们将深入讨论无监督学习和自监督学习的区别和联系，并且会通过代码实现来展示它们在真实场景中的应用。 无监督学习 无监督学习是一种让模型从未标注数据中提取有用信息的技术。 自监督学习 自监督学习是一种介于监督学习和无监督学习之间的学习方法，模型通过生成和解决预定义的辅助任务来从数据中学习特征。 这个模型的目标是学习如何将随机打乱的图像块恢复到正确的顺序。 自监督学习与无监督学习的区别与联系 自监督学习与无监督学习的主要区别在于数据标注的方式。
1.5K10编辑于 2024-10-08 - 来自专栏数据科学与人工智能
有监督学习和无监督学习
一般情况下，机器学习分为有监督学习和无监督学习。 有监督学习 监督学习是指数据集的正确输出（right output）已知的情况下一类学习算法。 因为输入和输出已知，意味着输入和输出之间有一个关系，监督学习算法就是要发现和总结这种“关系”。 有监督学习问题分为回归和分类问题。 无监督学习 无监督学习是指对无标签数据的一类学习算法。因为没有标签信息，意味着需要从数据集中发现和总结模式或者结构。 我们基于数据中的变量之间关系利用聚类算法发现这种内在模式或者结构。
1.7K50发布于 2018-02-28 - 来自专栏人工智能
浅谈数据挖掘中的监督学习，半监督学习和无监督学习
数据挖掘中的无监督学习无监督学习是机器学习中另一种常见的学习方式，它与监督学习的主要区别在于数据没有标签。在无监督学习中，计算机需要自行从数据中发现规律和结构，而不是依赖于人类提供的标签。 通过无监督学习，系统可以发现哪些顾客更可能购买哪些商品，这对于个性化推荐非常有帮助。数据挖掘中的半监督学习半监督学习是一种介于监督学习和无监督学习之间的方法。 半监督学习结合了监督学习和无监督学习的优点，减少了对大量标注数据的需求，同时又比纯无监督学习能得到更有指导性的结果。这种方法适用于数据中只有少部分有标签的情况。 太长不看版监督学习、无监督学习和半监督学习是机器学习中三种重要的学习方法，它们各自有着独特的适用场景和优势。 监督学习更像是有老师指导的学习，无监督学习则是自主探索，而半监督学习则结合了两者的优点，能够在较低的成本下获得较好的学习效果。
32610编辑于 2026-03-07 - 来自专栏专知
【干货】监督学习与无监督学习简介
【导读】本文是一篇入门级的概念介绍文章，主要带大家了解一下监督学习和无监督学习，理解这两类机器学习算法的不同，以及偏差和方差详细阐述。 但是自然界中大多数数据都是无标签的，因此，无监督学习在未来很广泛的基础和前景。本文我们带大家一起来了解一下监督学习和无监督学习的主要内容和用途吧。 编译 | 专知 参与 | Yingying 监督学习与无监督学习 理解两类的机器学习算法的不同 ? 在机器学习领域，有两类主要的任务：监督学习和无监督学习。 另一方面，无监督学习中不存在标注过的样本输出值，因此其目标是推断一组数据样本中的内部结构。 监督学习 ? 由于没有提供标签，因此在大多数无监督学习方法中没有具体方法去比较模型性能。 无监督学习的两种常见用法是探索性分析和降维。 无监督学习在探索性分析任务中非常有用，因为它可以自动识别数据关系。
2.3K80发布于 2018-04-13 - 来自专栏程序员小何同学
Machine Learning学习——定义、监督学习和无监督学习
Part One 监督学习： 利用一组已知类别的样本调整分类器的参数，使其达到所要求性能的过程，也称为监督训练，该过程中有指导者。对于给出的数据集中的每个样本有相应的“正确答案”。 当然了，预测的特征也是有很多 无监督学习 无监督学习的数据集和监督学习的不同，没任何标签，也就是没有“正确的输出结果”。在此过程中没有指导者，只有计算机自己学习。 从数据集中可以通过非监督学习得到数据的某种结构，可能是把数据分成两个不同的聚集簇，称为聚类算法。 但是需要分析和解析数据问题，所以就涉及无监督学习问题。 参考部分： 吴恩达-机器学习 《机器学习导论 第2版》Ethem Alpaydin 以上内容属于个人学习笔记以及书籍阅读之后增加的理解。如有不妥的内容，请大家指出，谢谢。
1K40发布于 2018-09-26 - 来自专栏SuperFeng
机器学习系列 1：监督学习和无监督学习
机器学习算法分为两大类，监督学习（Supervised learning）和无监督学习（Unsupervised learning）。 监督学习 目的：在监督学习中，我们会知道一些数据集（输入），并且知道他们的答案（输出），其中输入输出的关系就是监督学习想要得到的结果。 ? 该图中 h 就是监督学习想要得到的结果。 监督学习又分为两类，「回归问题」和「分类问题」。那么「回归问题」是什么呢？ 无监督学习 目的：在一堆数据集中，通过他们内在的关系将他们划分成几类。 还记得前面提到过的监督学习吗？ 在监督学习中，你一开始就知道一些数据和他们的结果，但是不同于监督学习，无监督学习开始只知道这些数据，并不知道他们会得出什么样的结果。
1K20发布于 2019-09-26 - 来自专栏小小挖掘机
比监督学习做的更好：半监督学习
---- 作者：Andre Ye 编译：ronghuaiyang 导读 为什么半监督学习是机器学习的未来。 ? 监督学习是人工智能领域的第一种学习类型。 半监督学习可以在标准的任务中实现SOTA的效果，只需要一小部分的有标记数据 —— 数百个训练样本。 在这个我们对半监督学习的探索中，我们会有： 半监督学习简介。 什么是半监督学习，它与其他学习方法相比如何，半监督学习算法的框架/思维过程是什么？ 算法：Semi-Supervised GANs。与传统GANs的比较，过程的解释，半监督GANs的性能。 用例和机器学习的未来。为什么半监督学习会有如此大的需求，哪里可以应用。 半监督学习介绍 半监督学习算法代表了监督和非监督算法的中间地带。 半监督学习允许我们操作这些类型的数据集，而不必在选择监督学习或非监督学习时做出权衡。
1.5K40发布于 2020-12-08 - 来自专栏Gaussic
Machine Learning笔记（一） 监督学习、非监督学习
Machine Learning笔记（一） 监督学习、非监督学习 注：本文内容资源来自 Andrew Ng 在 Coursera上的 Machine Learning 课程，在此向 Andrew 一、监督学习（Supervised Learning） 1、Housing Price Prediction 房屋价格预测 对于要买房子的人，充分的市场调研可以充分的了解市场行情。 二、非监督学习（Unsupervised Learning） 在上面监督学习中，对于给定的输入，都有特定的输出，如下图所示。我们可以明确的看出，哪个样例输出是 O ，哪个样例输出是 X ： ? 这一问题要由非监督学习方法来解决。 非监督学习 对于给定的样例，输出并不明确。换句话说，并不在你的掌控之中。 对于一堆混杂的数据，如何利用有效的方法，分出几个类来。 非监督学习的例子有很多，例如Google News，需要对新闻进行筛选，然后分成Business、Sci/Tech、Health、Sports等类别： ?
52010发布于 2018-08-17 - 来自专栏AI科技大本营的专栏
机器如何学习？5分钟弄懂监督学习、无监督学习、半监督学习与强化学习
请在微信对话中回复“机器学习”即可获得本文涉及的论文资源包。 好了，5分钟时间，轻松学习到底什么是监督学习，无监督学习，半监督学习，以及强化学习，enjoy！ 作者 | Frank Chen 翻译 | 智子 整理 | AI100(ID：rgznai100) 读懂机器学习的四大方法 根据训练方法的不同，机器学习可以分为四类： 监督学习 无监督学习 半监督学习 强化学习 对于数学相关的问题，可以看看斯坦福大学的深度学习教程，它涵盖了监督学习和无监督学习，且附有代码实例。 ? ▍无监督学习 无监督学习 中使用的数据是没有标记过的，即不知道输入数据对应的输出结果是什么。 因此和监督学习相比，半监督学习的成本较低，但是又能达到较高的准确度。
2.7K81发布于 2018-04-26 - 来自专栏网络技术联盟站
AI人工智能机器学习的类型：监督学习、无监督学习、半监督学习、增强学习和深度学习
机器学习技术的应用范围非常广泛，包括自然语言处理、图像识别、自动驾驶等领域。本文将详细介绍机器学习的类型。图片监督学习监督学习是最常见的机器学习类型之一。 监督学习的应用场景非常广泛，例如垃圾邮件过滤、语音识别、图像分类等。无监督学习相比于监督学习，无监督学习并不需要使用带有标签的数据进行学习。 在无监督学习中，计算机会分析数据集中的模式和关系，从而找到数据的结构和规律。无监督学习的应用场景包括聚类分析、异常检测、数据降维等。半监督学习半监督学习介于监督学习和无监督学习之间。 在半监督学习中，一部分数据是带有标签的，而另一部分数据是没有标签的。计算机会使用带有标签的数据进行学习，然后将这些知识应用于没有标签的数据。半监督学习的应用场景包括图像分割、文本分类等。 深度学习的应用场景包括语音识别、图像分类、自然语言处理等。总结本文介绍了机器学习的五种类型：监督学习、无监督学习、半监督学习、增强学习和深度学习。
4.8K00编辑于 2023-05-15 - 来自专栏浪浪山下那个村
半监督学习
产生的背景 监督学习指的是训练样本包含标记信息的学习任务，例如：常见的分类与回归算法；无监督学习则是训练样本不包含标记信息的学习任务，例如：聚类算法。 显然，主动学习需要与外界进行交互/查询/打标，其本质上仍然属于一种监督学习。 此外，半监督学习还可以进一步划分为纯半监督学习和直推学习，两者的区别在于：前者假定训练数据集中的未标记数据并非待预测数据，而后者假定学习过程中的未标记数据就是待预测数据。 半监督SVM 监督学习中的SVM试图找到一个划分超平面，使得两侧支持向量之间的间隔最大，即“最大划分间隔”思想。对于半监督学习，S3VM则考虑超平面需穿过数据低密度的区域。 半监督聚类 前面提到的几种方法都是借助无标记样本数据来辅助监督学习的训练过程，从而使得学习更加充分/泛化性能得到提升；半监督聚类则是借助已有的监督信息来辅助聚类的过程。
1.2K30编辑于 2022-06-17 - 来自专栏算法之名
半监督学习
此时我们可以使用有监督的学习来看一下结果，再使用10%的有标注的数据集结合剩下90%的未标注的数据来使用半监督学习的方法，我们希望半监督学习的方法也能达到有监督学习的水平。 半监督学习的应用 视频理解， 自动驾驶 医疗影像分割 心脏信号分析 半监督前提假设 连续性假设(Continuity Assumption): 我们用一个分类问题来举例，当我们的Input是比较接近的时候 ；L指损失函数；G是生成器，半监督学习可以用到生成式模型；D是判别器；C是分类器；H是熵，一般指交叉熵；E是期望；R是正则项，半监督学习中一般指一致性正则，当然半监督学习也可以使用传统的L1和L2正则； 半监督学习最核心的其实就是它的损失函数，它一般包含三个部分，第一部分就是有监督的loss(supervised loss)，第二部分就是无监督的loss(unsupervised loss)以及第三部分正则项 半监督学习实施方法 半监督学习模型可以分为五大方法，第一个是生成式模型，第二个是一致性损失正则，第三个是图神经网络，第四个是伪标签的方法，第五个是混合方法。
1.1K20编辑于 2022-09-02 - 来自专栏生信小驿站
监督式和非监督式机器学习算法
监督式机器学习 实际应用中的机器学习在大部分情况下我们都会使用监督式学习。 监督式学习指的是你拥有一个输入变量和一个输出变量，使用某种算法去学习从输入到输出的映射函数 这种学习方式就称之为监督式学习，因为算法学习从训练数据集学习的过程可以被看成类似于一名教师在监督学习学习的过程 非监督式学习的目标是对数据中潜在的结构和分布建模，以便对数据作更进一步的学习。 这种学习方式就称为非监督式学习，因为其和监督式学习不同，对于学习并没有确切的答案和学习过程也没有教师监督。 半监督式学习问题介于监督式和非监督式学习之间。 ，是一种监督式和非监督式学习的手段都可以使用的学习方法。
75320发布于 2018-08-27 - 来自专栏cwl_Java
快速学习-机器学习(监督学习)
机器学习 监督学习 监督学习三要素 监督学习实现步骤 监督学习过程示例 模型评估策略 训练集和测试集 损失函数 经验风险 训练误差和测试误差 过拟合和欠拟合 欠拟合 过拟合 模型的选择 正则化 奥卡姆剃刀
64050发布于 2020-03-20 - 来自专栏机器学习炼丹之旅
机器学习：无监督学习
svd，只要计算一次，然后逐渐改变 k 的大小，使得上述条件满足，当然我们也可以稍微化简一下，得到最终的条件： 应用PCA的建议 假使我们正在针对一张 100×100 像素的图片进行某个计算机视觉的机器学习 第一步是运用主要成分分析将数据压缩至 1000 个特征 然后对训练集运行学习算法 在预测时，采用之前学习而来的 将输入的特征 x 转换成特征向量 z ，然后再 进行预测。 注：如果我们有交叉验证集合测试集，也采用对训练集学习而来的 U_{reduce} 。 错误的主要成分分析情况： 一个常见错误使用主要成分分析的情况是，将其用于减少过拟合（减少了特征的数量）。 另一个常见的错误是，默认地将主要成分分析作为学习过程中的一部分，这虽然很多时候有效果，最好还是从所有原始特征开始，只在有必要的时候（算法运行太慢或者占用太多内存）才考虑采用主要成分分析。
1.1K40编辑于 2022-09-19 - 来自专栏破晓
【机器学习】---无监督学习
引言 在机器学习的广阔领域中，无监督学习扮演着至关重要的角色。不同于有监督学习，无监督学习处理的是没有标签的数据集，即我们不知道每个数据点的正确答案或分类。 然而，这并不意味着无监督学习无法为我们提供有价值的信息。相反，它能够通过发现数据中的内在规律和结构，为我们揭示数据的深层含义。 无监督学习的核心概念 1. 此外，无监督学习还可以用于发现图像中的关键特征和结构，提高图像处理的准确性和效率。 4. 金融领域 在金融领域，无监督学习可以用于欺诈检测、市场趋势预测等任务。 此外，无监督学习还可以用于分析金融数据中的模式和结构，为投资决策提供有价值的参考。 总结与展望 无监督学习是机器学习领域的一个重要分支，它能够从无标签的数据中发现数据内在的结构和规律。 随着大数据和人工智能技术的不断发展，无监督学习将在更多领域发挥重要作用。未来，我们可以期待无监督学习在图像识别、自然语言处理、生物信息学等领域取得更多的突破和应用。
81510编辑于 2024-06-24 - 来自专栏学习
【机器学习】--- 自监督学习
在监督学习和无监督学习之外，自监督学习（Self-Supervised Learning, SSL）作为一种新兴的学习范式，逐渐成为机器学习研究的热门话题之一。 本篇博客将详细介绍自监督学习的核心思想、常见的自监督学习方法及其在实际任务中的应用。我们还将通过具体的代码示例来加深对自监督学习的理解。 2. 2.1 自监督学习与监督学习的区别 在监督学习中，模型的训练需要依赖大量的人工标注数据，而无监督学习则没有明确的标签。自监督学习介于两者之间，它通过从未标注的数据中创建监督信号，完成预训练任务。 通常，自监督学习的流程可以分为两步： 预训练：利用自监督任务对模型进行预训练，使模型学习到数据的有效表示。 微调：将预训练的模型应用到具体任务中，通常需要进行一些监督学习的微调。 自监督学习的常见方法 在自监督学习中，研究者设计了多种预训练任务来提升模型的学习效果。以下是几种常见的自监督学习方法。
64710编辑于 2024-09-23
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号