机器学习的技巧及应用领域
发布时间：2022-06-26 17:14:29 所属栏目：大数据 来源：互联网
导读：机器学习（machinelearning）是一门多领域交叉学科，涉及了概率论、统计学、算法复杂度等多门学科。专门研究计算机怎样模拟或实现人的学习行为，它能够发现和挖掘数据所包含的潜在价值。机器学习已经成为了人工智能的一个分支，通过自学习算法，发现和挖掘数
|
机器学习（machinelearning）是一门多领域交叉学科，涉及了概率论、统计学、算法复杂度等多门学科。专门研究计算机怎样模拟或实现人的学习行为，它能够发现和挖掘数据所包含的潜在价值。机器学习已经成为了人工智能的一个分支，通过自学习算法，发现和挖掘数据潜在的规律，从而对未知的数据进行预测。机器学习已经广泛的运用在了，计算机科学研究、自然语言处理、机器视觉、语音、游戏等。机器学习的方法主要分为三种，监督学习（supervisedlearging）、无监督学习（unsupervisedlearning）、强化学习（reinforcementlearning），下面将介绍这三种方法的本质区别以及它们的应用领域。 一、监督学习 训练过程 上图展示了监督学习训练模型的过程，在监督学习中的训练数据是带类标的。监督学习通过使用有类标的训练数据构建模型，我们可以通过训练得到的模型对未知的数据进行预测。比如，在对手写数字识别所使用的机器学习算法就属于监督学习，在训练模型之前，我们需要先定义那张图片表示的是数字几，以便计算机从数据中提取特征更好的像类标靠近。监督学习可以被分为分类和回归，像上面手写数字的识别就属于监督学习中的分类，像房间的预测就属于回归。 1、分类 分类是基于对于已知数据（带类标）的学习，实现对新样本类标的预测。类标是离散的、无序的值。像对于垃圾邮件的分类就属于二分类，其中五角星表示非垃圾邮件而原表示垃圾邮件，而我们所需要训练的模型就是图中的直线，能够将垃圾邮件和分垃圾邮件进行区分。我们可以将横轴和纵轴理解为对于区分邮件的两个特征，可以发现这些数据都是离散的。上面所提到的手写数字的识别属于多分类。 分类 2、回归 回归是针对连续型输出变量进行预测，我们通过从大量的数据中寻找自变量（输入）和相应连续的因变量（输出）之间的关系，通过学习这种关系来对未知的数据进行预测。如下图，通过自变量和因变量来拟合一条直线，使得训练数据与拟合直线之间的距离最短，最常用的距离是采用平均平方距离。通过对训练数据的分析我们可以获取到这条直线的斜率和截距，从而可以对于未知数据进行预测。 回归 二、强化学习 强化学习是通过构建一个系统（agent），在与环境（environment）交互的过程中提高系统的性能。环境的当前状态信息会包括一个反馈信号，我们可以通过这个反馈信号对当前的系统进行评价改善系统。通过与环境的交互，agent可以通过强化学习来得到一系列行为，通过对激励系统的设计使得正向反馈最大。强化学习经常被使用在游戏领域，比如围棋比赛，系统会根据当前棋盘上的局态来决定下一步的位置，通过游戏结束时的胜负来作为激励信号。 （编辑：开发网_开封站长网） 【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容! |
浙公网安备 33038102330459号