建设银行对公网站,西安网站开发培训,平面设计网课平台哪个好,中国万网提供的服务和收费情况一、定义
监督学习是利用一组已知类别的样本调整分类器的参数#xff0c;使其达到所要求性能的过程#xff0c;也称为监督训练或有教师学习。它是一种机器学习的方法#xff0c;目的是让模型能够从已知的输入和输出之间的关系中学习#xff0c;并且能够对新的输入做出正确…一、定义
监督学习是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。它是一种机器学习的方法目的是让模型能够从已知的输入和输出之间的关系中学习并且能够对新的输入做出正确的预测。
二、具体介绍
1、监督学习三要素
模型model总结数据的内在规律用数学函数描述的系统 策略strategy选取最优模型的评价准则 算法algorithm选取最优模型的具体方法
2、监督学习实现步骤
1、得到一个有限的训练数据集 2、确定包含所有学习模型的集合 3、确定模型选择的准则也就是学习策略 4、实现求解最优模型的算法也就是学习算法 5、通过学习算法选择最优模型 6、利用得到的最优模型对新数据进行预测或分析
3、模型评估策略
1模型评估
训练集和测试集
损失函数和经验风险
训练误差和测试误差①训练集和测试集 我们将用来训练模型的数据称为训练集将用来测试模型好坏的集合称为测试集。 训练集输入到模型中对模型进行训练的数据集合。 测试集模型训练完成后测试训练效果的数据集合。 ②损失函数 损失函数用来衡量模型预测误差的大小。 定义选取模型 f 为决策函数对于给定的输入参数 Xf(X) 为预测结果Y 为真实结果f(X) 和 Y 之间可能会有偏差我们就用一个损失函数loss function来度量预测偏差的程度记作 L(Y,f(X))。损失函数是系数的函数损失函数值越小模型就越好。
③经验风险 经验风险最小化Empirical Risk MinimizationERM 这一策略认为经验风险最小的模型就是最优的模型样本足够大时ERM 有很好的学习效果因为有足够多的“经验”样本较小时ERM 就会出现一些问题④训练误差和测试误差
i训练误差training error是关于训练集的平均损失。训练误差的大小可以用来判断给定问题是否容易学习但本质上并不重要。 ii测试误差testing error是关于测试集的平均损失。其真正反映了模型对未知数据的预测能力这种能力一般被称为泛化能力。
2模型选择 过拟合和欠拟合正则化和交叉验证①过拟合和欠拟合 模型把训练数据学习的太彻底以至于把噪声数据的特征也学习到了特征集过大这样就会导致在后期测试的时候不能够很好地识别数据即不能正确的分类模型泛化能力太差称之为过拟合over-fitting。例如想分辨一只猫给出了四条腿、两只眼、一条尾巴、叫声、颜色能够捕捉老鼠、喜欢吃鱼、… …然后恰好所有的训练数据的猫都是白色那么这个白色是一个噪声数据会干扰判断结果模型把颜色是白色也学习到了而白色是局部样本的特征不是全局特征就造成了输入一个黑猫的数据判断出不是猫。 模型没有很好地捕捉到数据特征特征集过小导致模型不能很好地拟合数据称之为欠拟合under-fitting。 欠拟合的本质是对数据的特征“学习”得不够。例如想分辨一只猫只给出了四条腿、两只眼、有尾巴这三个特征那么由此训练出来的模型根本无法分辨猫。 ②模型的选择 当模型复杂度增大时训练误差会逐渐减小并趋向于0而测试误差会先减小达到最小值之后再增大。 当模型复杂度过大时就会发生过拟合所以模型复杂度应适当。
③正则化 结构风险最小化Structural Risk MinimizationSRM是在 ERM 基础上为了防止过拟合而提出来的策略。在经验风险上加上表示模型复杂度的正则化项regularizer或者叫惩罚项。正则化项一般是模型复杂度的单调递增函数即模型越复杂正则化值越大。结构风险最小化的典型实现是正则化regularization如果简单的模型已经够用我们不应该一味地追求更小的训练误差而把模型变得越来越复杂。
④交叉验证 数据集划分 如果样本数据充足一种简单方法是随机将数据集切成三部分训练集training set、验证集 validation set和测试集test set。训练集用于训练模型验证集用于模型选择测试集用于学习方法评估。数据不充足时可以重复地利用数据——交叉验证cross validation简单交叉验证 数据随机分为两部分如70%作为训练集剩下30%作为测试集训练集在不同的条件下比如参数个数训练模型得到不同的模型在测试集上评价各个模型的测试误差选出最优模型S折交叉验证 将数据随机切分为S个互不相交、相同大小的子集S-1个做训练集剩下一个做测试集重复进行训练集、测试集的选取有S种可能的选择留一交叉验证
三、类别
监督学习有很多种算法每种算法都有自己的优缺点适用于不同的问题和数据。下面介绍一些比较常用的监督学习算法。 1、线性回归这是一种最基本的监督学习算法它的目的是找到一个线性函数使得它能够最好地拟合输入和输出之间的关系。线性回归可以用于处理连续型的输出变量比如预测房价、股票价格等。线性回归的优点是简单易懂计算效率高但是缺点是不能处理非线性的关系也不能处理分类问题。 2、逻辑回归这是一种用于处理分类问题的监督学习算法它的目的是找到一个逻辑函数使得它能够最好地划分不同类别的输入。逻辑回归可以用于处理二分类或多分类问题比如预测是否患病、是否点击广告等。逻辑回归的优点是简单易懂可以给出概率输出但是缺点是不能处理非线性的关系也不能处理回归问题。 3、决策树这是一种用于处理分类或回归问题的监督学习算法它的目的是构建一棵树形结构使得它能够最好地划分不同类别或预测输出值的输入。决策树可以用于处理离散型或连续型的输入和输出变量比如预测贷款是否违约、预测销量等。决策树的优点是直观易懂可以处理非线性的关系但是缺点是容易过拟合也容易受到噪声和异常值的影响。 4、支持向量机这是一种用于处理分类或回归问题的监督学习算法它的目的是找到一个超平面或超曲面使得它能够最好地划分不同类别或预测输出值的输入。支持向量机可以用于处理高维或非线性的数据比如图像识别、文本分类等。支持向量机的优点是具有很强的泛化能力可以处理复杂的关系但是缺点是计算效率低参数选择困难。 5、神经网络这是一种用于处理分类或回归问题的监督学习算法它的目的是构建一个由多层神经元组成的网络结构使得它能够最好地拟合输入和输出之间的关系。神经网络可以用于处理任意类型和形式的数据比如语音识别、自然语言处理等。神经网络的优点是具有很强的表达能力可以处理非常复杂和抽象的关系但是缺点是训练效率低容易陷入局部最优解。 以上就是一些常见的监督学习算法当然还有很多其他的算法比如k-近邻、朴素贝叶斯、随机森林、梯度提升树等。不同的算法适用于不同的问题和数据选择合适的算法需要考虑很多因素比如数据的特征、规模、分布、噪声等以及模型的复杂度、可解释性、稳定性等。一般来说没有一种算法是万能的需要根据具体的情况进行比较和测试才能找到最优的解决方案。
引用
[1]https://www.dandelioncloud.cn/article/details/1489391056461615105 [2]https://blog.csdn.net/qq_39315069/article/details/119361967 [3]https://baijiahao.baidu.com/s?id1761426464724224950wfrspiderforpc
