机器学习算法中有哪些不同的学习风格?

机器学习算法" title="机器学习算法">机器学习算法中有四种学习风格。让我们来看看它们 -

监督学习

监督学习是机器学习中最常用的方法之一,它在训练过程中同时获取训练数据(也称为数据样本)及其相关输出(也称为标签或响应)。监督学习方法的主要目标是学习输入训练数据与其标签之间的关联。为此,它执行多个训练数据实例。

基于基于机器学习的任务,我们可以将监督学习算法分为两类,即分类和回归。

无监督学习

无监督学习方法(与监督学习方法相反)不需要任何标签或响应以及训练数据。无监督 ML 算法从给定的原始数据中学习模式和关系。尽管这些方法在结果中可能存在很多不确定性,但我们总能获得一些有用的信息,例如数据中的各种未知模式,以及用于分类的有用特征。

基于基于机器学习的任务,我们可以将无监督学习算法分为不同的类别,即聚类、关联、降维和异常检测。

半监督学习

顾名思义,半监督机器学习方法既不是全监督学习方法,也不是无监督学习方法。出于训练目的,半监督方法使用少量预先标记的带注释数据和大量未标记数据。为了实现这种学习方法,我们可以遵循下面给出的两种方法之一 -

  • 在这种方法中,首先您可以使用少量带注释和标记的数据来构建监督模型。在此之后,您可以使用大量未标记的数据构建无监督模型。现在,在您获得的标记样本上训练模型。这种方法非常有用,因为我们将在这里获得更多标记的样本。

  • 第二种方法与第一种方法相反,因为在这种方法中,我们首先使用无监督学习方法对相似的数据样本进行聚类。完成后,我们将对这些组进行注释。现在,您可以使用这些带注释的组来训练您的 ML 模型。

强化学习

在强化学习方法中,经过训练的代理与特定环境交互并根据该环境的当前状态采取行动。根据采取的行动,代理将获得奖励或惩罚。重复此过程,直到代理学习并采用最佳策略。

以上是 机器学习算法中有哪些不同的学习风格? 的全部内容, 来源链接: utcz.com/z/352635.html

回到顶部