码迷,mamicode.com
首页 > 其他好文 > 详细

机器学习四大分类

时间:2020-03-28 16:14:52      阅读:398      评论:0      收藏:0      [点我收藏+]

标签:因变量   应用   属性   聚类   判断   没有   维数   经济   学生   

      机器学习分为四大块,分别是classification (分类),regression (回归), clustering (聚类), dimensionality reduction (降维)。

  • 聚类(clustering)

    无监督学习的结果。聚类的结果将产生一组集合,集合中的对象与同集合中的对象彼此相似,与其他集合中的对象相异。

    没有标准参考的学生给书本分的类别,表示自己认为这些书可能是同一类别的(具体什么类别不知道,没有标签和目标,即不是判断书的好坏(目标,标签),只能凭借特征而分类)。

  • 分类(classification)

    有监督学习的两大应用之一,产生离散的结果。

    例如向模型输入人的各种数据的训练样本,产生“输入一个人的数据,判断是否患有癌症”的结果,结果必定是离散的,只有“是”或“否”。(即有目标和标签,能判断目标特征是属于哪一个类型)

  • 回归(regression)

    有监督学习的两大应用之一,产生连续的结果。

    例如向模型输入人的各种数据的训练样本,产生“输入一个人的数据,判断此人20年后今后的经济能力”的结果,结果是连续的,往往得到一条回归曲线。当输入自变量不同时,输出的因变量非离散分布(不仅仅是一条线性直线,多项曲线也是回归曲线)。

  •  

    1,给定一个样本特征 , 我们希望预测其对应的属性值 , 如果  是离散的, 那么这就是一个分类问题,反之,如果  是连续的实数, 这就是一个回归问题。

    2,如果给定一组样本特征 , 我们没有对应的属性值 , 而是想发掘这组样本在 二维空间的分布, 比如分析哪些样本靠的更近,哪些样本之间离得很远, 这就是属于聚类问题。

    3,如果我们想用维数更低的子空间来表示原来高维的特征空间, 那么这就是降维问题。

机器学习四大分类

标签:因变量   应用   属性   聚类   判断   没有   维数   经济   学生   

原文地址:https://www.cnblogs.com/Javame/p/12587775.html

(0)
(0)
   
举报
评论 一句话评论(0
登录后才能评论!
© 2014 mamicode.com 版权所有  联系我们:gaon5@hotmail.com
迷上了代码!