机器学习术语

机器学习子类别

• 监督学习
• 无监督学习

监督机器学习使用一组输入变量来预测输出变量的值。

无监督机器学习使用任何未标记数据集中的模式，尝试了解数据中的模式（或分组）。

机器学习阶段

机器学习有两个主要阶段：

1. 训练:
输入数据用于计算模型的参数。

2. 推理:
“训练有素”的模型可以从任何输入输出正确的数据。

机器学习模型

A 模型 定义标签（y）和特征（x）之间的关系。

模型的生命周期分为三个阶段：

• 数据采集
• 训练
• 推理

机器学习训练

训练的目标是创建一个可以回答问题的模型。例如，房屋的预期价格是多少？

机器学习推理

推理是指使用训练后的模型通过实时数据推断（预测）值。就像将模型投入生产一样。

监督学习

监督学习用途 标记数据 （已知答案的数据）来训练算法：

• 分类数据
• 预测结果

监督学习可以 分类 基于已知垃圾邮件示例的“电子邮件中的垃圾邮件是什么”之类的数据。

监督学习可以 预测 根据您播放过的视频，预测您会喜欢什么类型的视频等结果。

无监督学习

无监督学习用于预测未定义的关系，如数据中的有意义的模式。

它是关于创建可以自我改进的计算机算法。

预计机器学习将转向无监督学习，以允许程序员无需创建模型即可解决问题。

强化学习

强化学习基于非监督学习，但无论决策是好是坏，都会收到用户的反馈。反馈有助于改进模型。

自监督学习

自监督学习与无监督学习类似，因为它处理的数据不需要人工添加标签。

不同之处在于，无监督学习使用聚类、分组和降维，而自监督学习针对回归和分类任务得出自己的结论。

关系

机器学习系统使用 关系 之间输入 生产预测.

在代数中，关系通常写为 y = ax + b:

• 是 是我们想要预测的标签
• A 是直线的斜率
• X 是输入值
• b 是截距

在机器学习中，关系可以写成 y = b + wx:

• 是 是我们想要预测的标签
• 瓦 是权重（斜率）
• X 是特征（输入值）
• b 是截距

机器学习标签

在机器学习术语中， 标签 是我们想要的预测.

这就像 是 在线性图中：

机器学习功能

在机器学习术语中， 特征 是输入.

它们就像 X 线性图中的值：

有时可能有许多具有不同权重的特征（输入值）：

y=b+w₁X₁ + w₂X₂+ w₃X₃ + w₄X₄