Tesra干货分享：监督学习和无监督学习区别

xiaozhihe

今天Tesra超算网络给大家分享机器学习中监督学习和无监督学习的区别，希望帮助到有需要的朋友。

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”。
根据这些样本做出预测，分为两大类：回归和分类
根据吴恩达教授的机器学习课程：
（1）回归问题：预测出一个连续值的输出。
    例子：预测房价问题，根据样本的数据集进行拟合就可以得到一条连续的曲线。



（2）分类问题：设法预测一个离散值的输出。
例子：根据肿瘤的某些特征来判断是良性还是恶性，得到的结果是“良性”或者是“恶性”，是离散的。


此时的1表示恶性，0表示良性。


根据区域不同的来判断是恶性还是良性。叉表示恶性，圈表示良性。
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**。
聚类算法被应用于很多地方：
（1）
Google新闻
（2）
基因学的应用：DNA微阵列数据


（3）
大型计算机集群、社交网络分析、市场细分问题以及天文数据分析


（4）
鸡尾酒会问题
宴会中，场景会嘈杂问题等，声音的辨别、过滤以及提取人的声音就会显得很重要。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。


在使用语言的编程问题上，例如C++或者是Java中，处理音频的问题，需要写很多的代码，还需要连接那些复杂的C++或者Java库，但是在机器学习问题中，我们只需要一行代码即可实现：
image.png
SVD（）函数——奇异值分解的缩写，作为线性代数常规函数的缩写。

apteye

thanks

cuiliang1984

好东西

edwardk

学习中。。。。

Andy126