监督学习、半监督学习、无监督学习

机器学习笔记——监督学习,无监督学习,半监督学习 这个问题可以回答得很简单:是否有监督(supervised),就看输入数据是否有标签(label)。输入数据有标签,则为有监督学习,没标签则为无监督学习。 什么是学习(learning)? 学习:一个成语就可概括:举一反三。此处以高考为例,高考的题目在上考场前我们未必做过,但在高中三年我们做过很多很多题目,懂解题方法,因此考场上面对陌生问题也可以算出答案。机器学习的思路也类似:我们能不能利用一... 阅读详情

三种机器学习范式的本质差异在于:训练数据带了多少"标签"(标准答案)。

  • 监督学习:全部样本带标签
  • 半监督学习:少量带标签 + 大量无标签
  • 无监督学习:全部样本无标签

一句话区分

**标签(label)**是"标准答案"。三种范式的本质差异就是——训练时你手上拿到的数据,带了多少标准答案。

对比表

维度 监督学习 半监督学习 无监督学习
训练数据 全部带标签 少量带标签 + 大量无标签 全部无标签
学习目标 学"输入→输出"的映射 借无标签数据提升有标签模型的性能 发现数据自身的内在结构
典型任务 分类、回归 在标注稀缺时做分类/回归 聚类、降维、异常检测、密度估计
常见算法 逻辑回归、SVM、决策树/随机森林、神经网络 自训练、协同训练、图半监督、伪标签、一致性正则 K-Means、DBSCAN、层次聚类、PCA、t-SNE、Autoencoder
评估方式 有直接标签,可算准确率/损失 同监督,但依赖有限标签 无标签,靠轮廓系数、业务指标或下游任务间接评估
数据成本 高(标注贵) 中(少量标注即可) 低(原始数据直接用)

各自怎么工作

监督学习(Supervised)

一条样本是 (x, y):x 是特征,y 是标签。模型在训练集上最小化预测 ŷ 与真实 y 的差距(损失函数),最终学到从 x 到 y 的映射。

数学形式:经验风险最小化
min⁡f1n∑i=1nℓ(f(xi), yi)+λ Ω(f) \min_{f} \frac{1}{n}\sum_{i=1}^{n} \ell\big(f(x_i),\, y_i\big) + \lambda\,\Omega(f) fmin​n1​i=1∑n​ℓ(f(xi​),yi​)+λΩ(f)
其中 ℓ\ellℓ 是损失(分类用交叉熵、回归用 MSE),Ω(f)\Omega(f)Ω(f) 是正则项防止过拟合。

算法画出决策边界把不同类分开。

适合场景:你清楚要预测什么、且能拿到/买得起标注——垃圾邮件识别、房价预测、疾病诊断。

无监督学习(Unsupervised)

样本只有 x、没有 y。模型自己找规律:哪些样本"长得像"(聚类),或者能否用更少维度表达(降维)。

  • 聚类以 K-Means 为例,最小化簇内平方和的准则:
    min⁡{ Ck}∑k=1K∑xi∈Ck∥xi−μk∥2 \min_{\{C_k\}} \sum_{k=1}^{K}\sum_{x_i\in C_k} \lVert x_i - \mu_k\rVert^2
监督学习、半监督学习和无监督学习详解:概念、区别与实践 阅读详情

相关推荐

深度学习:有监督学习、无监督学习和半监督学习

是否有监督(supervised),就看输入数据是否有标签(label)。输入数据有标签,则为有监督学习,没标签则为无监督学习。 文章目录一、监督式学习二、无监督式学习三、半监督式学习 一、监督式学习 在监督式学习下,输入数据被称为“训练数据”,每组训练数据有一个明确的标识或结果,如对防垃圾邮件系统中“垃圾邮件”“非垃圾邮件”,在建立预测模型的时候,监督式学习建立一个学习过程,将预测结果与“训练...

南淮北安的博客 2万+

半监督学习与无监督学习的融合:最佳的两种世界

1.背景介绍 在当今的大数据时代,数据量越来越大,各种类型的数据也越来越多。这使得传统的监督学习方法在处理能力上面临着巨大的挑战。同时,由于各种原因,很多时候我们只能获取到部分标注的数据,而另一部分数据则是无标注的。因此,半监督学习和无监督学习成为了研究的热点和关注的焦点。 半监督学习是一种在训练过程中,只使用有限的标注数据和大量的无标注

AI天才研究院 1270

有监督学习、无监督学习、半监督学习有什么区别?分别有哪些代表算法?

有监督学习、无监督学习、半监督学习有什么区别?分别有哪些代表算法?

m0_51339444的博客 6087

《AFSim 2.9中文参考手册》

本栏目将对《AFSim 2.9中文参考手册》进行持续更新,欢迎关注交流!对本文或者AFSIM相关内容感兴趣的朋友,可私心联系作者。《AFSim 2.9中文参考手册》内容概览。

henggesim的博客 1万+

我每天如何使用 ChatGPT

我偶尔会用这个功能作为开始。我本人非常喜欢阅读,让 ChatGPT 来概括所有文章,感觉就像身处于但丁描述的地狱的某个层次那样痛苦。然而,有时一些文章实在是太啰嗦、无聊,或者写得让人不愉快(比如一个无趣记者对一个让人讨厌的人进行的漫无焦点的采访)。我需要获取这些文章中的一些信息,以便保持信息的更新和了解。在晚期资本主义的广告经济下,很多文章只在一个段落里提供新信息,其余都是无聊的填充内容,只是为了展示糟糕的广告,这实在是对人们的时间和生命的一种浪费。我有几次利用 ChatGPT 来。

KevinDai007的博客 3787

2025华东杯A/B/C题解题思路+可运行代码参考

这些因素包括但不限于:助滑坡的坡度、运动员的质量、滑雪板的接触面与雪地的摩擦力、空气阻力系数、运动员的体型和衣物形态等。助滑坡是运动员滑行至起跳台前的最后一段坡道,这一段坡道的坡度、长度和运动员的姿势会直接影响到起跳时的初始速度。运动员的滑行速度不仅受助滑坡的坡度影响,还受到摩擦力、空气阻力和重力等多方面因素的影响。通过合理的姿势调整,运动员能够有效减少空气阻力,增加身体的重力加速度,进而提升滑行速度。助滑坡的角度通常介于10°到12°之间,而运动员的滑行速度将受到重力、摩擦力和空气阻力的共同作用。

qq_52590045的博客 1800

EMD-LSTM时序预测 | MATLAB实现基于EMD-LSTM时间序列预测(EMD分解结合LSTM长短期记忆神经网络)

EMD-LSTM时序预测 | MATLAB实现基于EMD-LSTM时间序列预测(EMD分解结合LSTM长短期记忆神经网络)

机器学习之心的博客,关注并私信文章链接,获取对应文章源码和数据。 666

深度学习在移动开发中的应用:实时姿态估计实战

我们将使用TensorFlow Lite框架,结合专为移动端优化的MoveNet模型,实现一个能够在主流Android设备上达到30FPS的多人姿态跟踪解决方案,并深入探讨其优化技巧和实际应用场景。特别是3D姿态估计、多人长期跟踪等前沿技术的发展,将进一步推动移动端姿态估计技术的应用深度和广度。在下一篇文章中,我们将探讨深度学习在移动端的另一个创新应用:实时手势识别,包括如何在资源受限的环境中实现复杂手势的实时识别,以及这项技术在AR/VR交互、智能家居控制等场景中的应用。第四部分:典型应用场景实现。

Programming Talk 325

学Simulink--基于Simulink的无迹卡尔曼滤波(UKF)目标跟踪仿真建模示例

本文详细介绍了基于Simulink的无迹卡尔曼滤波(UKF)目标跟踪仿真建模方法。首先分析了UKF相比EKF在强非线性场景下的优势,包括无线性化误差、计算效率高和鲁棒性强等特点。接着阐述了UKF的核心原理,重点讲解了无迹变换(UT)的三个关键步骤:Sigma点生成、非线性传播和加权统计重构。文章还详细说明了二维机动目标的状态向量定义、非线性状态转移模型和雷达观测模型。 在Simulink实现部分,提供了完整的建模步骤和核心代码,包括目标运动模型、雷达传感器模型和UKF算法模块的实现。通过蛇形机动场景的仿真实

xiaoheshang_123的博客 89

基于深度学习的垃圾邮件识别

垃圾邮件的大量存在严重威胁着电子邮件系统的安全和效率。基于深度学习的垃圾邮件识别技术已经成为目前最有效的解决方案之一。本文将详细介绍使用深度学习技术进行垃圾邮件识别的方法,并提供相应的代码实现。 随着电子邮件的广泛应用,垃圾邮件的数量不断增加,传统的规则和统计方法已经无法满足对垃圾邮件进行准确识别的需求。深度学习技术以其强大的模式识别能力和自动特征提取能力成为解决垃圾邮件识别难题的有效工具。

一键难忘的博客 1097

Statistics and Machine Learning Toolbox

Statistics and Machine Learning Toolbox(带书签),MATLAB统计学习工具

Camera2Demo

在Camera2 的基础上进行封装,使得Camera2一堆初始化逻辑与Activity分离,降低耦合度,完成预览拍照并保存的操作

STM32F407中文手册

STM32f407中文手册 本参考手册面向应用开发人员,提供有关使用 STM32F405xx/07xx、STM32F415xx/17xx、 STM32F42xxx 和 STM32F43xxx 微控制器存储器与外设的完整信息。STM32F405xx/07xx、STM32F415xx/17xx、STM32F42xxx 和 STM32F43xxx 构成一个微 控制器系列,各产品具有不同的存储器大小、封装和外设。有关订购信息以及器件的机械与电气特性,请参见数据手册。有关 ARM Cortex™-M4F 内核的信息,请参见《Cortex™-M4F 技术参考手册》。

efm32 入门.pdf

本PDF共计22页,介绍的是操作驱动API,下载与否自己斟酌。

上一篇: LSTM 深度解析:门控数学、梯度高速路与工程实现
下一篇: LLaMA 基本原理深度解析:从三处替换到过训练经济学
reset2021
博客等级 码龄5年 567粉丝 428原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

reset2021

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值