准确性|假定_机器学习分类总览

篇首语：本文由编程笔记#小编为大家整理，主要介绍了机器学习分类总览相关的知识，希望对你有一定的参考价值。

分类&＃xff1a;根据训练结果判断输入为哪个已知的类别。

应用&＃xff1a;图像识别、人脸识别

回归&＃xff1a;预测下一个周期的结果。通过之前的数据训练出模型&＃xff0c;然后模型根据当前数据生成未来的预测

应用&＃xff1a;股票预测、趋势分析预测

技术&＃xff1a;K邻近、决策树、朴素Bayes、SVM、线性回归、随机森林&＃xff1b;CNN

优缺点&＃xff1a;准确性可控、高&＃xff0c;取决于训练数据质量和数量&＃xff0c;因此工作量大

聚类&＃xff1a;对数据进行自主分类&＃xff0c;生成标签&＃xff0c;每个类别有相同的标签。(聚类和分类的区别&＃xff1a;前者不知道有哪些分类&＃xff0c;而后者知道)

应用&＃xff1a;异常检测、用户细分、广告与商品推荐、对象生成(GAN)

降维&＃xff1a;不同维度的数据具有一定的关联关系&＃xff0c;减少有关联的数据&＃xff0c;留下真正提供信息的数据。例如&＃xff0c;减小文章篇幅、学生年龄-年级强相关性消除

应用&＃xff1a;PCA特征提取、AE特征降维

技术&＃xff1a;生成对抗网络GAN、K均值聚类算法、自编码器、谱聚类、主成分分析、embedding

优缺点&＃xff1a;不训练&＃xff0c;只有特征分布&＃xff0c;准确性差&＃xff0c;不可控

应用&＃xff1a;图像识别、自然语言处理NLP、语音识别、翻译(基于transformer)、文本分类、生物数据分析、语义分析、视频监控、蛋白质预测、基因测序

技术&＃xff1a;RNN、基于上下文/时序/对比的自学习、BERT(pre-training &＃43; transformer)、Structured Learning

优缺点&＃xff1a;需要的标签比较少&＃xff0c;同时具有强大的泛化能力&＃xff0c;相比无监督学习更准确&＃xff1b;缺点是&＃xff0c;无标签数据的质量&＃xff0c;是否满足假设条件&＃xff0c;对于模型有很大的影响

备注&＃xff1a;根本原理是&＃xff0c;假定相邻的样本具有相似的特征&＃xff0c;所有的样本处于同一个分布模式下

应用&＃xff1a;自动驾驶/ADAS、AlphaGo Zero、机器对话

技术&＃xff1a;Q-learning、瞬时差分、蒙特卡洛搜索树

优缺点&＃xff1a;对学习数据没有直接依赖&＃xff0c;不受人类知识的限制(例如alphaGo zero)&＃xff0c;但是不容易推广到未知环境中

参考:

有监督无监督半监督的分类&＃xff1a;终于有人把监督学习、强化学习和无监督学习讲明白了_大数据-CSDN博客

有监督和无监督算法&＃xff1a;有监督和无监督学习都各有哪些有名的算法和深度学习&＃xff1f; - 知乎

无监督学习的应用&＃xff1a;无监督学习&＃xff08;一&＃xff09;概述-云社区-华为云

半监督&＃xff1a;机器学习-算法-半监督学习&＃xff1a;半监督学习&＃xff08;Semi-supervised Learning&＃xff09;算法_u013250861的博客-CSDN博客_半监督学习有哪些算法

BERT和Transformer的关系&＃xff1a;张俊林&＃xff1a;BERT和Transformer到底学到了什么 | AI ProCon 2019 - 云&＃43;社区 - 腾讯云 &＃xff08;BERT&＃61;pre-training &＃43; transformer&＃xff09;