1.3机器学习分类.pdf

机器学习分类

主讲人：李侃

机器学习分类

机器学习分类（续）

机器学习分类（续）

机器学习分类（续）

机器学习分类（续）

数据集：训练集（trainingset）、验证集（validationset）和测试集（testset）

•训练集：用来训练模型算法，通过设置分类器参数，训练分类模型。

•验证集：训练集训练出的多个模型对验证集数据进行预测，并记录模型准确率。

选出效果最佳的模型所对应的参数，即用来调整模型参数。

•测试集：用来测试模型的性能和分类能力。

当模型无需人为设定超参数，所有参数都通过学习得到，则不需要验证集。

验证集适用多个不同的超参数训练多个模型，通过验证集，选择最好的模型及其相应的超参数。

机器学习分类（续）

监督学习（supervisedlearning），有导师学习：分类和回归

从给定的训练数据集中学习出一个函数（模型参数），当输入新数

据时，可以根据这个函数预测结果。

•分类（classification）：输出是离散型变量(如:+1、-1)，是一种定性输出。

(预测明天天气是阴、晴还是雨)

•回归(regression)：输出是连续型变量，是一种定量输出。

(预测明天的温度是多少度)。

机器学习分类（续）

无监督学习（unsupervisedlearning），无导师学习：聚类和维度约简

•输入数据没有标签，样本数据类别未知，需要根据样本间的相似性

对样本集进行划分使类内差距最小化，类间差距最大化。

•基于概率密度函数估计的直接方法

•基于样本间相似性度量的聚类方法

机器学习分类（续）

强化学习（reinforcementlearning），再励学习、评价学习或增强学习

•用于描述和解决智能体（agent）在与环境的交互过程中通过学习策

略以达成回报最大化或实现特定目标的问题。

•机器学习的范式和方法论之一。

不同于监督学习和无监督学习，强化学习不要求预先给定任何数据，而是通过接收环境对

动作的奖励（反馈）获得学习信息并更新模型参数。

TheEnd