标签:strong display 适应 label set 异常 3.0 efs 资料
Evernote Export
最早的机器学习:垃圾邮件分辨,对于邮件如何判断邮件是否是垃圾邮件呢
传统的解决思路:编写规则,定义"垃圾邮件",让计算机执行
1.编写一个传统算法,定义"垃圾邮件",让计算机执行
2.对于很多问题,规则很难定义
3.规则在不断变化
图像识别:分辨图像表示的是什么,典型问题就是二分类的问题
机器学习的算法,如何评价算法的好坏
如何解决过拟合和欠拟合的情况
如何调节算法的参数
验证算法的正确性
数据
萼片长度 | 萼片宽度 | 花瓣长度 | 花瓣宽度 | 种类 |
---|---|---|---|---|
5.1 | 3.5 | 1.4 | 0.2 | se(0) |
7.0 | 3.2 | 4.7 | 1.4 | ve(1) |
6.3 | 3.3 | 6 | 2.5 | vi(2) |
以莺尾花数据集为例,介绍数据
一般来说分类就是二分类的任务
多分类任务
一些算法只能完成二分类任务
多分类任务可以转换成为二分类任务
有一些算法天然可以完成多分类任务
多标签分类
回归任务
回归任务:结果是一个连续的数字的值,而非一个类别
房屋价格
市场分析
学生成绩
股票价格
输入大量资料->机器学习算法->模型f(x)->输入样例->输出结果
图像已经拥有了标定信息 银行已经积累了一定的客户信息和信用卡的信用卡情况 医院积累一定的病人信息和最终确诊是否患病的情况 市场积累了房屋的基本信息和最终成交的金额
非监督学习:给机器的训练数据没有任何标记和答案
非监督学习的意义:
1.对没有进行标记的数据进行分类-聚类分析
2.对数据进行降维处理
半监督学习:一部分数据有"标记"或"答案",另一部分数据没有 (更常见)各种原因的缺失
先使用无监督学习手段对数据进行处理,之后使用监督学习手段做模型的训练和预测
增强学习:根据周围环境,采取行动,根据采取行动的结果,学习行动方式
行动中加上奖励、惩罚机制,然后进行反馈循环
标签:strong display 适应 label set 异常 3.0 efs 资料
原文地址:https://www.cnblogs.com/pandaboy1123/p/10266113.html