當前位置：首頁 > news >正文

網監(jiān)大隊讓網站備案搜索引擎優(yōu)化方法與技巧

news 2025/7/4 13:14:21

網監(jiān)大隊讓網站備案,搜索引擎優(yōu)化方法與技巧,深圳哪里有做網站的,建設銀行網站上交醫(yī)保目錄學習模式分為三大類：監(jiān)督，無監(jiān)督，強化學習監(jiān)督學習基本問題分類問題回歸問題無監(jiān)督學習基本問題聚類問題降維問題強化學習基本問題決策問題如何選擇合適的算法我們將涵蓋目前「五大」最常見機器學習任務&#xff1a…

學習模式分為三大類：監(jiān)督，無監(jiān)督，強化學習

監(jiān)督學習基本問題

分類問題

回歸問題

無監(jiān)督學習基本問題

聚類問題

降維問題

強化學習基本問題

決策問題

如何選擇合適的算法

我們將涵蓋目前「五大」最常見機器學習任務：

回歸
分類
聚類
降維
決策

學習模式分為三大類：監(jiān)督，無監(jiān)督，強化學習

監(jiān)督學習基本問題

分類問題

分類是監(jiān)督學習的一個核心問題。
在監(jiān)督學習中，當輸出變量Y取有限個離散值時，預測問題變成為分類問題。
這時，輸入變量X可以是離散的，也可以是連續(xù)的。
監(jiān)督學習從數(shù)據(jù)中學習一個分類模型或分類決策函數(shù)，稱為分類器（classifier）。
分類器對新的輸入進行輸出的預測，成為分類（classification）。
可能的輸出成為類別（class）。
分類的類別為多個時，稱為多分類問題。

分類問題包括學習和分類兩個過程，也就是訓練和測試的過程。在學習過程中，根據(jù)已知的訓練數(shù)據(jù)集利用有效的學習方法學習一個分類器；在分類過程中，利用學習的分類器對新的輸入實例進行分類。

分類問題可以通過下圖來描述。圖中是訓練數(shù)據(jù)集，學習系統(tǒng)由訓練數(shù)據(jù)學習一個分類器或；分類系統(tǒng)通過學到的分類器或對新的輸入實例進行分類，即預測其輸出的類標記。

分類問題

評價分類器性能的指標有分類精度（accuracy）、查準率（precision）和召回率（recall）等，

許多機器學習算法可以用于分類問題，包括k近鄰法、感知機、樸素貝葉斯、決策樹、邏輯斯蒂回歸、支持向量機、提升方法、貝葉斯網絡、神經網絡等等。

分類任務根據(jù)其特性將數(shù)據(jù)“分門別類”，所以在許多領域都有廣泛的應用。例如，在銀行業(yè)務中，可以構建一個客戶分類模型，對客戶按照貸款風險的大小進行分類；在網絡安全領域，可以利用日志數(shù)據(jù)的分類對非法入侵進行檢測；在圖像處理中，分類可以用來檢測圖像中是否有人臉出現(xiàn)；在手寫識別中，分類可以用于識別手寫的數(shù)字；在互聯(lián)網搜索中，網頁的分類可以幫助網頁的抓取、索引與排序。

回歸問題

回歸（regression）是監(jiān)督學習的另一個重要問題。
回歸用于預測輸入變量（自變量）和輸出變量（因變量）之間的關系，特別是當輸入變量的值發(fā)生變化時，輸出變量的值隨之發(fā)生的變化。
回歸模型正是表示從輸入變量到輸出變量的之間映射的函數(shù)。
回歸問題的學習等價于函數(shù)擬合：選擇一條函數(shù)曲線使其很好地擬合已知數(shù)據(jù)且很好地預測未知數(shù)據(jù)。

回歸問題也分為學習和預測兩個過程。首先給定一個訓練數(shù)據(jù)集，其中是輸入，是對應的輸出，。學習系統(tǒng)基于訓練數(shù)據(jù)構建一個模型，即函數(shù)；對新的輸入，預測系統(tǒng)根據(jù)學習的模型確定相應的輸出。

回歸問題按照輸入變量的個數(shù)，分為一元回歸和多元回歸；按照輸入變量和輸出變量之間關系的類型即模型的類型，分為線性回歸和非線性回歸。

回歸學習最常用的損失函數(shù)是平方損失函數(shù)

許多領域的任務都可以形式化為回歸問題，比如，回歸可以用于商務領域，作為市場趨勢預測、產品質量管理、客戶滿意度調查、投資風險分析的工具。

無監(jiān)督學習基本問題

聚類問題

聚類（clustering）是將樣本集合中相似的樣本（實例）分配到相同的類，不相似的樣本分配到不同的類。
聚類時，樣本通常是歐式空間中的向量，類別不是事先給定，而是從數(shù)據(jù)中自動發(fā)現(xiàn)，但個別的個數(shù)通常是實現(xiàn)給定的。
樣本之間的相似度或距離由應用決定。
如果一個樣本只能屬于一個類，則稱為硬聚類（hard clustering），如果一個樣本可以屬于多個類，則稱為軟聚類（soft clustering）。
聚類的過程就是學習聚類模型的過程。

降維問題

降維（dimensionality reduction）是將訓練數(shù)據(jù)中的樣本（實例）從高位空間轉換到低維空間。
假設樣本原本存在于低維空間，或者近似地存在于低維空間，通過降維則可以更好地表示樣本數(shù)據(jù)的結構，即更好地表示樣本之間的關系。
高維空間通常是高維的歐式空間，而低維空間是低維的歐式空間或者流形（manifold）。
低維空間不是事先給定的，而是從數(shù)據(jù)中自動發(fā)現(xiàn)的，其位數(shù)通常是事先給定的。
從高維到低維的降維中，要保證樣本中的信息損失最小。
降維有線性降維和非線性降維。

強化學習基本問題

決策問題

機器學習中的決策任務不同于分類、回歸、聚類和降維，是將待解決問題建模為馬爾科夫決策過程，然后利用強化學習求解的問題框架。強化學習的目標就是給定一個馬爾科夫決策過程，尋找到最優(yōu)策略。

下圖解釋了強化學習的基本原理。智能體在完成某項任務時，首先通過動作A與周圍環(huán)境進行交互，在動作A和環(huán)境的作用下，智能體會產生新的狀態(tài)，同時環(huán)境會給出一個立即回報。如此循環(huán)下去，智能體與環(huán)境不斷地交互從而產生很多數(shù)據(jù)。強化學習算法利用產生的數(shù)據(jù)修改自身的動作策略，再與環(huán)境交互，產生新的數(shù)據(jù)，并利用新的數(shù)據(jù)進一步改善自身的行為，經過數(shù)次迭代學習后，智能體最終學到完成相應任務的最優(yōu)動作（最優(yōu)策略）。

從強化學習的基本原理能看出它與其他機器學習算法如監(jiān)督學習和非監(jiān)督學習的一些基本差別。在監(jiān)督學習和非監(jiān)督學習中，數(shù)據(jù)是靜態(tài)的、不需要與環(huán)境進行交互，比如圖像識別，只要給出足夠的差異樣本，將數(shù)據(jù)輸入深度神經網絡中進行訓練即可。

然而，強化學習的學習過程是動態(tài)的、不斷交互的過程，所需要的數(shù)據(jù)也是通過與環(huán)境不斷交互所產生的。強化學習更像是人的學習過程，即與通過與周圍環(huán)境交互進行學習。