- 综合排序
- 最热优先
- 最新优先
- 来自专栏全栈程序员必看
机器学习之有监督学习,无监督学习,半监督学习
文章目录 前言 有监督学习 无监督学习 半监督学习 前言 机器学习是数据分析和数据挖掘的一种比较常用，比较好的手段从有无监督的角度，可以分为三类： 有监督学习 无监督学习 半监督学习 有监督学习 用已知某种或某些特性的样本作为训练集 然后最终会有一个目标值的y，如果有y，我们就称之为有监督学习，我们就要使用有监督学习进行模型的构建，实际上我们在日常的业务当中能够多使用有监督学习就多使用有监督学习，比如说在有 x 1 , x 2 , 无监督学习 知道了有监督学习的定义了，无监督学习的定义也就出来了。在算法构建的过程中不考虑Y的值，只通过特征信息去归纳出一些新的规律出来，这个方法就称之为无监督学习。 有监督学习和无监督学习的区别就是一个有y，一个没有y。这是最简单的记忆方式。 半监督学习 看上面有监督学习和无监督学习的定义，就是一半有一半无呗 意思就是用少量的有标注的样本和大量未标注的样本进行训练和分类，这样是有监督学习和无监督学习的结合。
95611编辑于 2022-09-01 - 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。
87630发布于 2019-08-14 - 来自专栏全栈程序员必看
监督学习、无监督学习、自监督学习和强化学习
监督学习 监督学习是目前最常见的机器学习类型。给定一组样本（通常由人工标注），他可以学会将输入数据映射到已知目标。 一般来说，近年来过度关注的深度学习应用几乎都属于监督学习，比如光学字符识别、语音识别、图像分类和语言翻译。 无监督学习 无监督学习是指在没有目标的情况下寻找输入数据的有趣变化，其目的在于数据可视化、数据压缩、数据去噪或更好地理解数据中的相关性。 无监督学习是数据分析的必备技能，在解决监督学习之前，它通常是一个必要步骤。降维（dimensionality reduction）和聚类（clustering）都是众所周知的无监督学习方法。 自监督学习 自监督学习是监督学习的一个特例，它与众不同，值得单独分为一类。自监督学习是没有人工标注标签的监督学习，可以将它看作没有人类参与的监督学习。
1.6K10编辑于 2022-11-04 - 来自专栏全栈程序员必看
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
86820编辑于 2022-09-02 - 来自专栏全栈程序员必看
机器学习中的有监督学习，无监督学习，半监督学习
在机器学习(Machine learning)领域，主要有三类不同的学习方法： 监督学习(Supervised learning)、 非监督学习(Unsupervised learning)、 半监督学习 非监督学习：直接对输入数据集进行建模，例如聚类。 半监督学习：综合利用有类标的数据和没有类标的数据，来生成合适的分类函数。 有别于监督式学习网络，无监督式学习网络在学习时并不知道其分类结果是否正确，亦即没有受到监督式增强(告诉它何种学习是正确的)。其特点是仅对此种网络提供输入范例，而它会自动从这些范例中找出其潜在类别规则。 三、半监督学习 1、半监督学习的基本思想是利用数据分布上的模型假设, 建立学习器对未标签样本进行标签。 半监督学习就是在样本集S 上寻找最优的学习器。如何综合利用已标签样例和未标签样例,是半监督学习需要解决的问题。
14.3K31编辑于 2022-09-02 - 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）
1.2K20发布于 2021-05-21 - 来自专栏全栈程序员必看
有监督学习、无监督学习以及半监督学习详解
相信大家在开始学习机器学习的入门时，首先接触的概念就是监督学习、无监督学习以及半监督学习。在我们开始讲解之前，我们先回顾一下什么是机器学习（ML）？ 监督学习 监督学习是从标记的训练数据来推断一个功能的机器学习任务。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，也称为监督训练或有教师学习。 可以这么说，比起监督学习，无监督学习更像是自学，让机器学会自己做事情，是没有标签（label）的。 半监督学习 半监督学习(Semi-Supervised Learning，SSL)是模式识别和机器学习领域研究的重点问题，是监督学习与无监督学习相结合的一种学习方法。 半监督学习使用大量的未标记数据，以及同时使用标记数据，来进行模式识别工作。当使用半监督学习时，将会要求尽量少的人员来从事工作，同时，又能够带来比较高的准确性，因此，半监督学习正越来越受到人们的重视。
3.1K20编辑于 2022-09-01 - 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
2.1K60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。
1.1K10编辑于 2024-10-08 - 来自专栏全栈程序员必看
监督学习和无监督学习区别
前言 机器学习分为：监督学习，无监督学习，半监督学习（也可以用hinton所说的强化学习）等。 在这里，主要理解一下监督学习和无监督学习。 监督学习的目标往往是让计算机去学习我们已经创建好的分类系统（模型）。 监督学习是训练神经网络和决策树的常见技术。 后者从方法上讲不是学习方法。因此用K-L变换找主分量不属于无监督学习方法，即方法上不是。而通过学习逐渐找到规律性这体现了学习方法这一点。在人工神经元网络中寻找主分量的方法属于无监督学习方法。 何时采用哪种方法 简单的方法就是从定义入手，有训练样本则考虑采用监督学习方法；无训练样本，则一定不能用监督学习方法。 对于不同的场景，正负样本的分布如果会存在偏移（可能大的偏移，可能比较小），这样的话，监督学习的效果可能就不如用非监督学习了。
2.2K10编辑于 2022-08-24 - 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。
1.6K50发布于 2018-02-28 - 来自专栏全栈程序员必看
【机器学习笔记】有监督学习和无监督学习
有监督学习和无监督学习 （一）什么是机器学习？ （二）有监督学习 （三）无监督学习 （四）二者的区别 （五）如何在两者中选择合适的方法 （一）什么是机器学习？ 深度学习和PCA都属于无监督学习的范畴。 无 规律性： 无监督学习方法在寻找数据集中的规律性，这种规律性并不一定要达到划分数据集的目的，也就是说不一定要“分类”。这一点是比有监督学习方法的用途要广。 而无监督经常要参与深度学习，做特征提取，或者采用层聚类或者项聚类，以减少数据特征的维度，使 i < n i<n i<n。事实上，无监督学习常常被用于数据预处理。 （五）如何在两者中选择合适的方法 根据上面的图也可以进行分类： 简单的方法就是从定义入手，有训练样本则考虑采用有监督学习方法；无训练样本，则一定不能用有监督学习方法。
4K30编辑于 2022-09-01 - 来自专栏全栈程序员必看
自监督学习（一）自监督学习介绍
自监督学习本质上是一种无监督学习的方法，通常会设置一个“Pretext tasks”，根据数据的一些特点，构造Pesdeo Labels来训练网络模型。 通过自监督得到的模型，可以作为其他学习任务的预训练模型，为其提供更好的训练初始区域。因此，自监督学习也可以看作是为了学习图像的通用视觉表示。 之所以自监督学习在近几年成为研究的热点，主要是数据标注的成本太高，而且深度学习的迁移性能很差。虽然现在也有很多的域适应方法，但是在实际的应用中，最好的方法还是不停的增加标注数据。 因此，自监督学习的兴起可以说是必然的。 但是自监督方法的潜力还是很大的，针对深度学习的下一阶段的研究，如何减少对于大量标注数据的依赖，是一个很重要的方向。
1.4K20编辑于 2022-10-05 - 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。
13810编辑于 2026-03-07 - 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。
87540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。
92620发布于 2019-09-26 - 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。
2.2K80发布于 2018-04-13 - 来自专栏全栈程序员必看
有监督学习VS无监督学习「建议收藏」
这就是监督学习，它在我们生活中无处不在。 无监督学习（unsupervised learning）：我们事先没有任何训练数据样本，需要直接对数据进行建模。 再给大家举一个无监督学习的例子。 输入数据有标签，则为有监督学习，没标签则为无监督学习。 首先看什么是学习（learning）？一个成语就可概括：举一反三。 确实，无监督学习本身的特点使其难以得到如分类一样近乎完美的结果。 例如在自然语言处理（NLP）中，Penn Chinese Treebank在2年里只完成了4000句话的标签…… 这时有人可能会想，难道有监督学习和无监督学习就是非黑即白的关系吗？
84230编辑于 2022-09-01 - 来自专栏全栈程序员必看
自监督学习和无监督学习的区别
无监督学习 无监督学习不依赖任何标签值，通过对数据内在特征的挖掘，找到样本间的关系，比如聚类相关的任务 自监督学习 和无监督学习不同，自监督学习主要是利用辅助任务（pretext）从大规模的无监督数据中挖掘自身的监督信息 ，通过这种构造的监督信息对网络进行训练，从而可以学习到对下游任务有价值的表征。 换句话说：自监督学习的监督信息不是人工标注的，而是是通过辅助任务（pretext）在大规模无监督数据中自动构造监督信息，通过得到的标签，就可以类似有监督学习一样进行训练。 区别 自监督学习是从数据本身找标签来进行有监督学习。无监督学习没有标拟合标签的过程，而是从数据分布的角度来构造损失函数。自监督学习的代表是语言模型，无监督的代表是聚类。 自监督不需要额外提供label，只需要从数据本身进行构造。 版权声明：本文内容由互联网用户自发贡献，该文观点仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。
1.8K10编辑于 2022-11-04 - 来自专栏全栈程序员必看
深度学习#1.有监督学习和无监督学习
机器学习#1.有监督学习和无监督学习 人工智能与机器学习与深度学习 机器学习 有监督学习 无监督学习 人工智能与机器学习与深度学习 什么是人工智能？ 什么是机器学习？ 机器学习就是实现人工智能的一种方式。 什么是深度学习？ 深度学习就是实现机器学习的一种技术。 机器学习 为什么要机器学习呢？ 机器学习大概可分为两种：有监督学习和无监督学习 有监督学习 有监督学习的大致过程（以图片识别猫为例）： 1. 数据采集（就是找一堆猫的图片，假设是x张，当然数量很庞大，至于多大我也不清楚） 2. 根据学习的结果与真实结果作比较，通过一些公式来计算误差，就知道学得好不好啦（好比学习的结果里面有90%是猫，那么训练的效果就很好了，至于要用什么公式来计算误差，之后再说） 无监督学习 而无监督学习呢，厉害了 ，它不需要人来圈出那些部分是猫，它就能自己识别出什么是猫： 它和有监督学习的最大差别在于第二点的特征提取，因为它不用提取，因此也导致了学习的方式与有监督学习不一样。
48320编辑于 2022-09-01
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