有監督演算法

⑴ 有監督機器學習的預測結果為離散值,這種機器學習稱為什麼

有監督機器學習的預測結果為離散值,這種機器學習稱為回歸。
有監督機器學習演算法用於解決分類或回歸問題。分類問題的輸出是離散值。
例如，「喜歡比薩上的菠蘿」和「不喜歡比薩上的菠蘿」是離散的。

⑵ 多層感器有監督學習是不是可以理解為BP神經網路

多層感知器不是一個具體的神經網路，它是一種神經網路模型的結構，bp神經網路的模型的確是多層感知器，不過bp神經網路是利用bp演算法來優化網路的，可以理解為
bp神經網路 = 多層感知器 + bp演算法

⑶ 監督分類的常用演算法

常用演算法有：判別分析、最大似然分析、特徵分析、序貫分析和圖形識別等。

⑷ 無監督和有監督演算法分別有哪些

聽聽別人怎麼說: 非監督式學習不同於監督式學習，一個沒有教學價值，另一個有教學價值。然而，我認為它們之間的區別在於非監督式學習通常使用聚類和其他演算法來對不同的樣本進行分類。監督式學習通常利用教學值與實際輸出值之間的誤差，進行誤差反向傳播來修正權值，完成網路校正。但是，非監督式學習並沒有改變操作的權重，當然，這里只說是特徵提取階段。

⑸ 有監督和無監督學習都各有哪些有名的演算法和深度學習

• 深度學習

• 編輯

• 深度學習的概念源於人工神經網路的研究。含多隱層的多層感知器就是一種深度學習結構。深度學習通過組合低層特徵形成更加抽象的高層表示屬性類別或特徵，以發現數據的分布式特徵表示。[1]

• 深度學習的概念由Hinton等人於2006年提出。基於深度置信網路(DBN)提出非監督貪心逐層訓練演算法，為解決深層結構相關的優化難題帶來希望，隨後提出多層自動編碼器深層結構。此外Lecun等人提出的卷積神經網路是第一個真正多層結構學習演算法，它利用空間相對關系減少參數數目以提高訓練性能。[1]

• 深度學習是機器學習研究中的一個新的領域，其動機在於建立、模擬人腦進行分析學習的神經網路，它模仿人腦的機制來解釋數據，例如圖像，聲音和文本。[2]

⑹ 有監督學習和無監督學習演算法怎麼理解

在判斷是有監督學習還是在無監督學習上，我們可以具體是否有監督（supervised），就看輸入數據是否有標簽（label）。輸入數據有標簽，則為有監督學習，沒標簽則為無監督學習。

什麼是學習（learning）？

一個成語就可概括：舉一反三。機器學習的思路有點類似高考一套套做模擬試題，從而熟悉各種題型，能夠面對陌生的問題時算出答案。

簡而言之，機器學習就是看能不能利用一些訓練數據（已經做過的題），使機器能夠利用它們（解題方法）分析未知數據（高考題目），而這種根據類別未知(沒有被標記)的訓練樣本解決模式識別中的各種問題，稱之為無監督學習。

常用的無監督學習演算法主要有三種：聚類、離散點檢測和降維，包括主成分分析方法PCA等，等距映射方法、局部線性嵌入方法、拉普拉斯特徵映射方法、黑塞局部線性嵌入方法和局部切空間排列方法等。

從原理上來說，PCA等數據降維演算法同樣適用於深度學習，但是這些數據降維方法復雜度較高，所以現在深度學習中採用的無監督學習方法通常採用較為簡單的演算法和直觀的評價標准。比如無監督學習中最常用且典型方法聚類。

在無監督學習中，我們需要將一系列無標簽的訓練數據，輸入到一個演算法中，然後我們告訴這個演算法，快去為我們找找這個數據的內在結構給定數據。這時就需要某種演算法幫助我們尋找一種結構。

監督學習（supervised learning），是從給定的有標注的訓練數據集中學習出一個函數（模型參數），當新的數據到來時可以根據這個函數預測結果。 常見任務包括分類與回歸。

無監督學習方法在尋找數據集中的規律性，這種規律性並不一定要達到劃分數據集的目的，也就是說不一定要「分類」。比如，一組顏色各異的積木，它可以按形狀為維度來分類，也可以按顏色為維度來分類。（這一點比監督學習方法的用途要廣。如分析一堆數據的主分量，或分析數據集有什麼特點都可以歸於無監督學習方法的范疇） ，而有監督學習則是通過已經有的有標簽的數據集去訓練得到一個最優模型。

⑺ 「有監督學習」和「監督學習」分別是什麼

1、監督式學習（Supervised learning），是一個機器學習中的方法，可以由訓練資料中學到或建立一個模式（ learning model），並依此模式推測新的實例。訓練資料是由輸入物件（通常是向量）和預期輸出所組成。函數的輸出可以是一個連續的值（稱為回歸分析），或是預測一個分類標簽（稱作分類）。

個監督式學習者的任務在觀察完一些訓練範例（輸入和預期輸出）後，去預測這個函數對任何可能出現的輸入的值的輸出。要達到此目的，學習者必須以"合理"（見歸納偏向）的方式從現有的資料中一般化到非觀察到的情況。在人類和動物感知中，則通常被稱為概念學習（concept learning）。

2、無監督式學習(Unsupervised Learning )是人工智慧網路的一種演算法(algorithm)，其目的是去對原始資料進行分類，以便了解資料內部結構。

有別於監督式學習網路，無監督式學習網路在學習時並不知道其分類結果是否正確，亦即沒有受到監督式增強(告訴它何種學習是正確的)。其特點是僅對此種網路提供輸入範例，而它會自動從這些範例中找出其潛在類別規則。當學習完畢並經測試後，也可以將之應用到新的案例上。

無監督學習里典型的例子就是聚類了。聚類的目的在於把相似的東西聚在一起，而我們並不關心這一類是什麼。因此，一個聚類演算法通常只需要知道如何計算相似度就可以開始工作了。

⑻ 常見的監督學習演算法

K-近鄰演算法，決策樹，樸素貝葉斯，邏輯回歸這些都是比較常見的。所有的回歸演算法和分類演算法都屬於監督學習。
在機器學習中，無監督學習就是聚類，事先不知道樣本的類別，通過某種辦法，把相似的樣本放在一起歸位一類；而監督型學習就是有訓練樣本，帶有屬性標簽，也可以理解成樣本有輸入有輸出。
回歸和分類的演算法區別在於輸出變數的類型，定量輸出稱為回歸，或者說是連續變數預測；定性輸出稱為分類，或者說是離散變數預測。

⑼ 無監督學習與有監督學習演算法的區別

無監督學習的好處之一是，它不需要監督學習必須經歷的費力的數據標記過程。但是，要權衡的是，評估其性能的有效性也非常困難。相比之下，通過將監督學習演算法的輸出與測試數據的實際標簽進行比較，可以很容易地衡量監督學習演算法的准確性。

⑽ 線性回歸是有監督還是無監督

線性回歸是有監督。
機器學習的常用方法，主要分為有監督學習(supervised learning)和無監督學習(unsupervised learning)。簡單的歸納就是，是否有監督（supervised），就看輸入數據是否有標簽（label）。輸入數據有標簽，則為有監督學習；沒標簽則為無監督學習。
監督學習是指數據集的正確輸出已知情況下的一類學習演算法。因為輸入和輸出已知，意味著輸入和輸出之間有一個關系，監督學習演算法就是要發現和總結這種「關系」。

無監督學習是指對無標簽數據的一類學習演算法。因為沒有標簽信息，意味著需要從數據集中發現和總結模式或者結構。我們基於數據中的變數之間關系利用聚類演算法發現這種內在模式或者結構。