【摘要】:有监督的学习可以描述为给定一些已知类别的样本{,,…利用监督学习算法对已知样本进行学习,得到一个分类器,用于近似该未知函数。利用有监督的学习解决问题的过程如图1-6所示[32]。图1-6 监督学习过程从图中可以看出,监督学习的关键是要标记数据,然后把已标记的数据分为训练数据和测试数据,再进一步选择算法进行分类。
有监督的学习可以描述为给定一些已知类别的样本{(X1,y1),(X2,y2),…,(Xn,yn),},其中Xi=(xi1,xi2,…,xim)为第i个样本的属性向量。元素xij为第i个样本中第j个属性的值,可以为离散或连续的值;yi,∈(1,2,…,K)为第i个样本的类别,属性向量与类别之间存在某种未知的复杂关系。利用监督学习算法对已知样本进行学习,得到一个分类器,用于近似该未知函数。分类器可以为任意一种分类器。然后利用该分类器对未知类别的样本进行类别预测。利用有监督的学习解决问题的过程如图1-6所示[32]。
图1-6 监督学习过程(www.xing528.com)
从图中可以看出,监督学习的关键是要标记数据,然后把已标记的数据分为
训练数据和测试数据,再进一步选择算法进行分类。可选择的监督学习算法有很多,主要可分为基于逻辑的监督学习算法:决策树(Decision Tree)和规则学习(Learning set of rules)等;基于感知器的监督学习方法:BP神经网络(Back Propagation Neural Network)、RBF神经网络(Radial Basis Function Neural Net-work)等;基于统计学习的监督学习方法:支持向量机(Support Vector Ma-chine)等。
免责声明:以上内容源自网络,版权归原作者所有,如有侵犯您的原创版权请告知,我们将尽快删除相关内容。