苏州智信建设职业培训网站,东莞网站建设免费服务器,工业设计产品图,沈阳中天建设集团网站1.背景
有监督学习#xff1a;有标签#xff08;连续变量#xff08;回归问题#xff1a;时间序列等#xff09;、分类变量#xff08;分类#xff09;#xff09;
无监督学习#xff1a;没有标签#xff08;聚类、关联#xff08;相关性分析#xff1a;哪些相关…1.背景
有监督学习有标签连续变量回归问题时间序列等、分类变量分类
无监督学习没有标签聚类、关联相关性分析哪些相关看特征
半监督学习少量标签分类标签分类、聚类
强化学习标签为分类变量分类或者没有标签控制
步骤 过程
机器训练过程训练数据—输入到程序算法中根据输出得到的模型—目标变量通过调整程序再到程序算法中
得到算法的实际精度测试数据—输入到程序算法中输出—目标变量与实际样本对比得到精度。
目标变量值为标签 监督学习有标签
无监督学习没有标签聚类分析
半监督学习部分标签有标签无标签 经过训练得到模型再检验所有数据 目标函数 交叉验证
划分数据集在训练集上训练模型在测试集上验证结果根据验证结果调参数但不科学
Validation set 验证集 Test set 测试集
大部分实验只分了训练集和测试集没有去分验证集这个说法大家都是在训练集上去训练测试集上去调参公平对比
总数据中的部分分出来进行验证看拟合效果因为预测未知数据无法判断预测效果的好
10折交叉验证\5折交叉 时间序列划分多段
学习率Learning rate 正则化参数 ,层数维度 epoch迭代次数防止过拟合
目标变量和特征都是机器学习中的重要概念它们在模型训练和预测中有着不同的作用。
目标变量Target Variable指的是我们希望预测或分类的变量。也可以称为因变量Dependent Variable。在监督学习中我们需要根据一组已知的特征数据来预测目标变量的值目标变量可以是连续的数值型变量也可以是离散的分类型变量。
特征Feature则是指模型用来做出预测的输入变量。也可以称为自变量Independent Variable。在监督学习中我们使用一组特征来预测目标变量的值。特征可以是连续的数值型变量也可以是离散的分类型变量还可以是其他类型的变量例如文本、图像等。
可以这样理解目标变量是我们预测的结果或输出而特征是我们用来进行预测的输入。例如我们想要根据房屋的大小、位置、卧室数量等特征来预测房价那么房价就是目标变量而房屋的大小、位置、卧室数量就是特征。
在机器学习模型训练中我们通常会将目标变量和特征分别作为训练数据的输出和输入。我们使用已知的特征和目标变量来训练模型然后使用该模型对新的特征数据进行预测从而得到预测结果。
