菜单
×
   ❮     
HTML CSS JAVASCRIPT SQL PYTHON JAVA PHP HOW TO W3.CSS C C++ C# BOOTSTRAP REACT MYSQL JQUERY EXCEL XML DJANGO NUMPY PANDAS NODEJS R TYPESCRIPT ANGULAR GIT POSTGRESQL MONGODB ASP AI GO KOTLIN SASS VUE DSA GEN AI SCIPY AWS CYBERSECURITY DATA SCIENCE
     ❯   

ML 术语

  • 关系
  • 标签
  • 功能

机器学习关系

机器学习系统利用输入之间的关系来产生预测

在代数中,关系通常写成y = ax + b

  • y 是我们想要预测的标签
  • a 是线的斜率
  • x 是输入值
  • b 是截距

在机器学习中,关系写成y = b + wx

  • y 是我们想要预测的标签
  • w 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,标签是我们想要预测的事物。

它类似于线性图中的y

代数 机器学习
y = ax + b y = b + wx

机器学习特征

在机器学习术语中,特征输入

它们类似于线性图中的x

代数 机器学习
y = ax + b y = b + wx

有时会有许多具有不同权重的特征(输入值)

y = b + w1x1 + w2x2 + w3x3 + w4x4



  • 机器学习模型
  • 机器学习训练
  • 机器学习推理
  • 机器学习阶段

机器学习模型

模型定义了标签 (y) 和特征 (x) 之间的关系。

模型生命周期有三个阶段

  • 数据收集
  • 训练
  • 推理

机器学习训练

训练的目标是创建一个能够回答问题的模型。例如,房子的预期价格是多少?


机器学习推理

推理是指训练好的模型用于使用实时数据推断(预测)值。例如,将模型投入生产。


机器学习阶段

机器学习有两个主要阶段

1. 训练
使用输入数据计算模型的参数。

2. 推理
“训练好的”模型会从任何输入中输出正确的数据。


  • 监督机器学习
  • 无监督机器学习
  • 自监督机器学习

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。

监督学习使用带标签的数据(已知答案的数据)来训练算法以

  • 分类数据
  • 预测结果

监督学习可以根据已知的垃圾邮件示例对数据进行分类,例如“电子邮件中的垃圾邮件是什么”。

监督学习可以预测结果,例如根据您观看过的视频预测您可能喜欢的视频类型。


无监督学习

无监督机器学习使用来自任何无标签数据集的模式,试图理解数据中的模式(或分组)。

无监督学习用于预测未定义的关联,例如数据中有意义的模式。

它旨在创建能够自我改进的计算机算法。

预计机器学习将转向无监督学习,以便程序员无需创建模型即可解决问题。


强化学习

强化学习基于无监督学习,但会从用户那里接收关于决策是好是坏的反馈。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相似,因为它使用没有人工添加标签的数据。

区别在于,无监督学习使用聚类、分组和降维,而自监督学习则自己得出回归和分类任务的结论。


×

联系销售

如果您想将 W3Schools 服务用于教育机构、团队或企业,请发送电子邮件给我们
sales@w3schools.com

报告错误

如果您想报告错误,或想提出建议,请发送电子邮件给我们
help@w3schools.com

W3Schools 经过优化,旨在方便学习和培训。示例可能经过简化,以提高阅读和学习体验。教程、参考资料和示例会不断审查,以避免错误,但我们无法保证所有内容的完全正确性。使用 W3Schools 即表示您已阅读并接受我们的使用条款Cookie 和隐私政策

版权所有 1999-2024 Refsnes Data。保留所有权利。W3Schools 由 W3.CSS 提供支持