机器学习的学习方式

小鱼儿 2023-10-04 21:46 29阅读 0赞

#### 文章目录 ####

*  监督学习
 *  非监督学习
 *  半监督学习
 *  弱监督学习
 *  监督学习的学习步骤

依据不同的学习⽅式和输⼊数据，机器学习主要分为以下四种学习方式。

*  监督学习
 *  非监督学习
 *  半监督学习
 *  弱监督学习

## 监督学习 ##

监督学习是使⽤已知正确答案的⽰例来训练⽹络。已知数据和其⼀⼀对应的标签，训练⼀个预测模型，将输⼊数据映射到标签的过程。

比如：**⽀持向量机(Support Vector Machine, SVM)，朴素贝叶斯(Naive Bayes)，逻  
辑回归(Logistic Regression)，K近邻(K-Nearest Neighborhood, KNN)，决策树(Decision Tree)，随机森林(RandomForest)，AdaBoost以及线性判别分析(Linear Discriminant Analysis, LDA)等**

## 非监督学习 ##

在⾮监督式学习中，数据并不被特别标识，适⽤于你具有数据集但⽆标签的情况。学习模型是为了推断出数据的⼀些内在结构。

常见算法包括**Apriori算法以及k-Means算法**。

## 半监督学习 ##

非监督学习的输⼊数据部分被标记，部分没有被标记，这种学习模型可以⽤来进⾏预测。

常见算法如**图论推理算法（Graph Inference）或者拉普拉斯⽀持向量机（Laplacian SVM）** 等。

## 弱监督学习 ##

弱监督学习可以看做是有多个标记的数据集合，次集合可以是空集，单个元素，或包含多种情况（没有标记，有⼀个标记，和有多个标记）的多个元素。 数据集的标签是不可靠的，这⾥的不可靠可以是标记不正确，多种标记，标记不充分，局部标记等。已知数据和其⼀⼀对应的弱标签，训练⼀个智能算法，将输⼊数据映射到⼀组更强的标签的过程。标签的强弱指的是标签蕴含的信息量的多少，⽐如相对于分割的标签来说，分类的标签就是弱标签。

**给出⼀张包含气球的图片，需要得出气球在图片中的位置及气球和背景的分割线。**

## 监督学习的学习步骤 ##

1.  数据集的创建和分类；
2.  数据增强（Data Augmentation）：当原始数据搜集和标注完毕，⼀般搜集的数据并不⼀定包含⽬标在各种扰动下的信息。数据的好坏对于机器学习模型的预测能⼒⾄关重要，因此⼀般会进⾏数据增强。对于图像数据来说，数据增强⼀般包括，图像旋转，平移，颜⾊变换，裁剪，仿射变换等。
3.  特征工程：特征⼯程包含特征提取和特征选择；
4.  构建预测模型和损失；
5.  训练；
6.  验证和模型选择；
7.  测试及应用。