机器学习的基础概念
机器学习的分类
机器学习根据任务的不同,可以分为监督学习(supervised learning)、半监督学习(semi-supervised learning)、无监督学习(unsupervised learning)和增强学习(reinforcement learning)。
接下来将介绍一些基本概念
一、监督学习
监督学习的训练数据包含了类别信息,例如在故障检测中,其训练样本就包括了故障信息和非故障信息。在监督学习中,典型问题为分类和回归,常用算法有线性回归算法、BP神经网络算法、逻辑回归算法等。
1.监督学习概念
在监督学习中,其训练样本中同时含有特征和标签信息两种。分类算法和回归算法的区别在于,分类算法的标签是离散的值,例如用0和1分别表示非故障信息和故障信息;回归算法的标签是连续的值,例如通过机械设备的性能、工况等参数取预测机械设备剩余寿命。
2.监督学习流程
通过监督学习算法训练得到训练集特征和标签之间的假设函数,并根据假设函数对测试集进行预测。
3.监督学习算法
分类算法典型问题包括垃圾邮件的分类、手写字的识别(多分类)等。
回归算法典型问题包括股价预测、房屋价格预测等。
二、无监督学习
1.无监督学习概念
在无监督学习中,其样本只包括特征信息,不包括标签信息,这样在学习的时候不知道其分类结果是否正确。
2.无监督学习流程
3.无监督学习算法
无监督学习算法主要为聚类算法,是将相似的特征样本划分到一类中,其中比较重要的算法为降维算法。数据降维是将高维的输入空间转换为低维空间。
总结
以上针对机器学习的基本概念进行了简单介绍,随着数据量的增大和计算机能力的增强,使得深度学习也在飞速的发展中,常见的包括卷积神经网络和循环神经网络。
参考文献:《Python机器学习算法》