Antes de entender el aprendizaje supervisado y aprendizaje no supervisado, vamos a charlar lo que es la máquina de aprendizaje (ML)?
Machine Learning:
En primer lugar, el aprendizaje puede ser llamado un proceso de replicación, dar la castaña: A menudo participamos en las preguntas de examen del estudiante, el examen de la sala de examen antes de que puede no haber hecho, pero antes del examen por lo general cepillar una gran cantidad de problemas, por temas cepillo aprendieron métodos de resolución de problemas, y por lo tanto se enfrentan a la extraña pregunta en el examen también se puede calcular la respuesta.
Ideas máquina de aprendizaje son similares: podemos utilizar algunos de los datos de entrenamiento (título lo ha hecho), por lo que la máquina puede usarlos (enfoque de resolución de problemas) análisis de los datos desconocidos (examen de materia). Al igual que el maestro antes del examen para el examen examen de lo que esperamos lo mismo.
Oración simple: el aprendizaje de máquina es permitir que la máquina se centran en el aprendizaje a partir de grandes cantidades de datos, y luego obtener un modelo más realista de la ley, mediante el uso del modelo de la máquina hace que el rendimiento mejor que nunca.
El aprendizaje supervisado:
Definición: El conjunto de datos existente, conoce la relación entre la entrada y la salida. De acuerdo con esta relación conocida, para obtener un modelo de entrenamiento óptimo. En otras palabras, tanto aprendizaje supervisado la característica de datos de entrenamiento (función) otra etiqueta (etiqueta), mediante la formación, de manera que la máquina puede realizar una conexión entre las características y las etiquetas, en la cara de no sólo las características de los datos de la etiqueta, la etiqueta puede ser juzgado.
De acuerdo con el vídeo profesor Andrew Ng palabras en el Resumen:
Ahora recordamos esta lección hemos introducido el aprendizaje supervisado. La idea básica es que nuestro conjunto de datos para cada muestra tiene un correspondiente "respuesta correcta". A continuación, hacer predicciones basadas en estas muestras, como en el ejemplo casas y tumores hacen.
También hemos introducido el problema de regresión, es decir, mediante una regresión para poner en marcha una salida continua, después se presentó el problema de clasificación, el objetivo es la introducción de un conjunto discreto de resultados
Evidentemente, la máquina de aprendizaje puede entenderse como que enseñamos máquinas de cómo hacer las cosas.
Clasificación de aprendizaje supervisado: regresión (regresión), la clasificación (Clasificación)
Regresión (regresión)
de retorno a su pregunta es en variables continuas.
Para el castaño: predecir el precio de la vivienda
Supongamos que se desea predecir precios de la vivienda, lo que hace este tipo de conjuntos de datos de abajo. El eje horizontal, el tamaño de la casa es diferente pies cuadrados en el eje vertical, es diferentes precios de la vivienda, la unidad (ver $). Dados los datos, en el supuesto de que una persona tiene una casa, de 750 pies cuadrados, que quiere vender la casa, quiero saber cuánto vender.
Esta vez, el aprendizaje supervisado algoritmo será capaz de volver a ser útil, podemos trazar una línea recta o una función de segundo orden, etc. De acuerdo con los conjuntos de datos para ajustar los datos.
A través de la imagen, podemos ver de montaje directamente 150k, curva de acondicionamiento es 200k, por lo que para continuar la formación y el aprendizaje, para encontrar el modelo más adecuado se ha ajustado a los datos (precios).
Regresión punto popular es el punto (los datos de entrenamiento) modelo de análisis de ajuste con una función y apropiado existente = f (x), donde y es datos de la etiqueta, y para una nueva variable independiente x, por la función de modelos de obtener etiqueta y.
Clasificación (Clasificación)
y regresión mayor diferencia es que, para la clasificación es el resultado de salida discreta es limitado.
Para la castaña: la naturaleza estimado del tumor
Supongamos que alguien descubrió un tumor de mama, hay un bulto en la mama z tumor maligno es peligroso, dañino; tumores benignos son inofensivos.
Supongamos que en el conjunto de datos, el eje horizontal es el tamaño del tumor, el eje vertical es 0 o 1, y puede ser S o N. En la muestra de tumor conocido, un marcado maligno, benigno marcado 0. Por lo tanto, ya que la muestra es benigno azul, rojo es maligno.
Esta vez, la tarea de aprendizaje automático es estimar la naturaleza del tumor es maligno o benigno.
La clasificación fue muy útil en este caso es modelar la intervención humana muestra varios datos de entrenamiento (en este caso es el tamaño del tumor, por supuesto, la vida real usará más datos, como la edad, etc.), dando como resultado "de entrada los datos de una persona para determinar "el resultado, el resultado debe ser discreta, sólo" si sufre de cáncer sí "o" no ".
Por lo tanto, simplemente se clasifica, a través de análisis de la función de vector de entrada, para un nuevo vector para obtener su etiqueta.
El aprendizaje no supervisado:
Definición: No sabemos la relación entre los datos centralizados de datos, características, pero para obtener la relación entre la agrupación o datos basados en ciertos modelos.
Por así decirlo, de aprendizaje supervisado, aprendizaje no supervisado es más como un auto-estudio, deje que la máquina aprender a hacer las cosas, no hay una etiqueta (etiqueta) es.
Simplemente tome el ejemplo utilizado anteriormente, la interpretación de la máquina de aprendizaje para comprender mejor la diferencia entre los dos:
Para el examen de costumbre, el equivalente de aprendizaje supervisado hemos hecho un montón de problemas todos sabemos que es la respuesta estándar, por lo que en el proceso de aprendizaje, podemos controlar las respuestas, para encontrar una manera de analizar el problema, la próxima vez que no hay una respuesta en la cara cuando el problema a menudo se puede resolver con precisión. Sin aprendizaje supervisado, que no conocemos ninguna de las respuestas, no sé que hicieron lo correcto, pero no hacen cuestión el proceso, si no sabe la respuesta, podemos lenguaje más o menos independiente, matemáticas, inglés de estos temas, porque estos problemas inherentes o tienen algún tipo de conexión.
Como se muestra a continuación, en el aprendizaje no supervisado, sólo estamos Dado un conjunto de datos, nuestro objetivo es encontrar ese grupo especial de estructura de datos. Por ejemplo, se utiliza el algoritmo de aprendizaje no supervisado será este conjunto de datos se divide en dos grupos distintos ,, tal algoritmo denominado algoritmo de agrupamiento.
Aplicación a la vida:
1.Google Noticias De acuerdo con diferente estructura del contenido dividido en diferentes finanzas etiqueta, entretenimiento, deportes, y esto no es una agrupación de aprendizaje supervisado.
2. gen dado se clasifican de acuerdo a la multitud. La figura ADN de datos es para un conjunto diferente de personas que mide su grado de expresión del ADN para un gen particular. A continuación, los resultados de medición del algoritmo de agrupamiento se pueden dividir en diferentes tipos. Se trata de un aprendizaje no supervisado, porque estamos acabamos de dar algunos datos, pero no sabemos que es el primer tipo de persona, que es el segundo tipo de persona, y así sucesivamente.
