無監督學習
給出一資料組，並已知曉這組資料的對應關係，然後給出一組新的資料，嘗試對其進行**和分析，這裡注意，提前給出的資料組（data set）是已知內部的資料的對應關係，後面給出的新的資料，是要依據對之前資料的學習後，給出新的資料對應的**值。而對於**的結果的不同，又將監督學習分為分類（classfication）和回歸（regression）
比如下列子：
已知某地區的房屋面積和對應的房價，然後要求對某個確定的房屋尺寸，做出對應的房價**。
這裡注意，已有的資料點（圖中紅色的×），是一致的資料組中的資料對應關係，現在要對新的房屋面積（圖中綠色的750）做出房價預估，這裡的預估結果是乙個大致的資料值，對於預估資料值的問題型別，可以將其理解為回歸問題。就是將新的**物件的目標值分析對應到某乙個具體的資料集中。比如下圖中最後的「對房屋面積為750的房子的預估**為200k」，這裡最後的「200k」是在前期的資料分析得出的乙個結果範圍中。是乙個具體的數值。
簡單的理解，同樣是監督學習的範疇，就是對已知資料集，並且知道這些資料集之間的對應關係，然後給出乙個新的資料，我們對新的資料的**值僅為『0』或』1『的這樣的乙個分類。即最後的**結果並非是乙個大致的數值，而是乙個類別，比如』好『和』壞『，』對『或』錯『等。
比如：已知一些腫瘤的對應關係，圖中橫軸為腫瘤大小，縱軸為良性還是惡性，圖中藍色×為良性，紅色×為惡性。現在給出乙個尺寸的腫瘤（圖中粉色箭頭位置），現在要**這個腫瘤是良性的還是惡性的，這個結果要麼是良性，要麼是惡性，其實就是』0『和』1『的判斷結果，所以這個問題其實是分類問題。
無監督學習和監督學習可以從下面圖中看出大概
左圖中給出的資料集是已知的兩種資料關係，並且做好分類了（圈和×），右圖中給出的已知資料集沒有做任何標識（均為圈），若對這兩種情況的資料做分類，如下圖：
左側的很簡單，根據已知資料點的型別，用演算法將其分開即可，然而對於右側的無監督學習，應為沒有給出資料點之間的關係，從圖中看，只能通過尋找這些資料之間的關係而將其分類，比如圖中依據資料之間的聚集度將其分為兩大類，即右圖中兩個綠色的圈圈所示。
對監督學習和非監督學習做個簡單總結：
對於給出的資料集，若已知資料集之間的相互關係（如房屋面積和對應房價），則為監督學習；若不知對應關係（如上面右圖的資料，最後被兩個綠色的圈圈分開），則為非監督學習。
在監督學習中，若**結果為某個確定的數值，此型別為回歸問題，若**結果為簡單的分類，即類似於非0即1的，就為分類
機器學習筆記 監督學習，無監督學習，半監督學習
這個問題可以回答得很簡單 是否有監督 supervised 就看輸入資料是否有標籤 label 輸入資料有標籤，則為有監督學習，沒標籤則為無監督學習。什麼是學習 learning 學習 乙個成語就可概括 舉一反三。此處以高考為例，高考的題目在上考場前我們未必做過，但在高中三年我們做過很多很多題目，懂...
機器學習日記 監督學習 無監督學習
監督學習是指 利用一組已知類別的樣本調整 分類器的 引數，使其達到所要求效能的過程，也稱為 監督訓練或有教師學習。無監督學習 現實生活中常常會有這樣的問題 缺乏足夠的 先驗知識 因此難以人工標註類別或進行人工類別標註的成本太高。很自然地，我們希望計算機能代我們完成這些工作，或至少提供一些幫助。根據類...
有監督學習和無監督學習 無監督學習
一.無監督學習包含的演算法 聚類 kmeans聚類演算法 降維 pca 之所以叫無監督學習 是因為模型是從無標籤的資料開始學習，沒有目標值。二.kmeans聚類 1.聚類演算法步驟 定義 將高維資料轉化為低維資料的過程，在此過程中可能會捨棄原有資料，創造新的變數 作用 降低原始資料的維數 複雜度 損...