ML 02、监督学习
来源:互联网 发布:activiti引擎源码分析 编辑:程序博客网 时间:2024/05/22 06:30
FROM: http://www.cnblogs.com/ronny/p/4062764.html
机器学习算法原理、实现与实践——监督学习
机器学习包括监督学习、非监督学习、半监督学习及强化学习,这里先讨论监督学习。
监督学习的任务是学习一个模型,使模型能够对任意给定的输入,对其相应的输出做出一个好的预测。
1 基本概念
1.1 输入空间、特征空间与输出空间
输入与输出所有可能取值的集合分别称为输入空间与输出空间。
每个具体的输入是一个实例(instance),通常由特征向量(feature vector)表示,这时,所有特征向量存在的空间称为特征空间。特征空间的每一维对应于一个特征。有时假设输入空间与特征空间为相同的空间。有时假设为不同的空间,这里需要将输入空间映射于特征空间,这一过程称为特征提取。模型实际上都是定义在特征空间上的。在监督学习中,往往把输入空间看为特征空间。通常用
其中,
监督学习从训练数据集合中学习模型,对测试数据进行预测。训练数据由输入(或特征向量)与输出对组成,训练集通常表示为:
测试数据也是由相应的输入与输出对组成。
输入与输出变量均为连续变量的预测问题称为回归问题。输出变量为有限个离散变量的预测称为分类问题;输入变量与输出变量均为变量序列的预测问题称为标注问题。
1.2 联合概率分布
监督学习假设输入与输出的随机变量
对于要统计分析的数据,存在这样的联合概率分布
1.3 假设空间
监督学习的目的在于学习一个输入到输出的映射,这一映射由模型来表示。但这样的映射往往不止一个,学习的目标在于找到最好的这样的模型。由这样的模型构成的集合就是假设空间。
监督学习的模型可以是概率模型或非概率模型。由条件概率分布
2 监督问题的形式化表示
监督学习利用训练数据集学习一个模型,再用模型对测试样本集进行预测。由于在这个过程中需要训练数据集,而训练数据集往往是人工给出的,所以称为监督学习。
监督学习分为学习和预测两个过程,由学习系统与预测系统完成,可以描述为下图。
首先给定一个训练数据集:
其中
监督学习中,假设训练数据与测试数据是依联合概率分布
在学习的过程中,学习系统利用给定的训练数据集,通过学习得到一个模型,表示为条件概率分布
在预测过程中,预测系统对给定的测试样本集中的输入
在学习的过程中,每一个
- ML 02、监督学习
- [ML笔记]监督学习与无监督学习
- ML第一课:监督式学习与非监督式学习
- [机器学习] Coursera ML笔记 - 监督学习(Supervised Learning) - Representation
- 监督学习
- 监督学习
- 监督学习
- 监督学习&非监督学习
- 监督学习?无监督学习?
- 监督学习&无监督学习
- Spark-ML-02-设计机器学习系统
- 监督学习、无监督学习、半监督学习、强化学习
- 监督学习、无监督学习、强化学习
- 监督学习,非监督学习,半监督学习
- 监督学习,无监督学习,半监督学习
- 监督学习,非监督学习与半监督学习
- 概念:监督学习、无监督学习与半监督学习
- 机器学习-监督学习
- java 读取配置文件
- WTL开发问题
- IntentService简介
- UGUI之Button按钮多种触发方式实现(有参无参函数)
- Meteor 的模板系统 Spacebars
- ML 02、监督学习
- 动态加载脚本
- “未定义的标识符:SurfFeatureDetector”问题解决办法
- unity3d socket编程案例
- spoon+robotium+jenkins进行自动化持续回归测试
- Java中堆内存和栈内存详解
- java语言中的继承概述
- ios开发-c语言之指针和数组以及指针和字符串的学习
- SQL Server 2005中的分区表 如何添加、查询、修改分区表中的数据