智能信息处理技术-监督学习在监测系统中的应用

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），…，（X_n，y_n），}，其中X_i=（x_i1，x_i2，…，x_im）为第i个样本的属性向量。元素x_ij为第i个样本中第j个属性的值，可以为离散或连续的值；y_i，∈（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。