一、分类问题

1.基本概念

1.分类器（classifier）：监督学习从数据中学习一个分类模型或者分类决策函数称为分类器（classifier）；
2.分类（classification）：分类器对新的输入进行输出的预测，称为分类；
3.类别（class）：可能的输出称为类别。

2.分类过程

分类问题包括学习和分类两个过程。

学习过程：就是根据已知的训练数据集利用有效的学习方法学习一个分类器；
分类过程：利用学习的分类器对新的输入实例进行分类。

3.性能指标

通常我门用分类准确率来评价分类器的性能。所谓的分类准确率就是指：对于给定的预测数据集，分类器正确分类的样本数与总样本数之比。

对于二类分类问题，常用的评价指标是精确率、召回率。
例 1
假设有100人的身体健康检查数据，我们通过先前的训练，获得一个学习模型用于判断一个人是否患病，通过该学习模型对这100人的健康数据记性分类，具体情况如下表：

	实际健康	实际患病	预测总计
预测健康	40（TP）	10（FP）	50
预测患病	30（FN）	20（TN）	50
实际总计	70	30

通过上边可知，在这100人的数据中，真正患病的有30人，健康的有70人。而我们通过学习模型进行预测后，预测健康和患病的各50人。我们将：

实际健康预测为健康的情况用TP表示；
实际健康预测为患病的情况用FN表示；
实际患病预测为健康的情况用FP表示；
实际患病预测为患病的情况用TN表示；

精确率定义为： P = T P T P + F P P=\frac{TP}{TP+FP} P=TP+FPTP
召回率定义为： R = T P T P + F N R=\frac{TP}{TP+FN} R=TP+FNTP
准确率定义为： a c c u r a c y = 预测正确的数量样本总数 accuracy =\frac{预测正确的数量}{样本总数} accuracy=样本总数预测正确的数量

二、标注问题

1.基本概念

标注问题的输入是一个观测序列，输出是一个标记序列或者状态序列。

标注问题的目的在于学习一个模型，是他能够对观测序列给出标记序列作为预测。

常用的统计学方法有：隐马尔科夫模型，条件随机场；

2. 标注过程

标注问题分为学习和标注两个过程。

三、回归问题

1.基本概念

回归问题用于预测输入变量和输出变量之间的关系，回归模型是表示从输入变量到输出变量之间映射函数，等价于函数拟合：选择一条函数曲线时期很好的拟合一直数据且很好的预测未知数据。

2.回归过程

回归问题分为学习和预测两个过程；

按照输入变量的个数，回归问题分为一元回归和多元回归；
按照输入变量和输出变量之间的关系的类型，回归问题分为线性回归和非线性归回。

1.8 监督学习应用相关推荐

自监督学习现状和未来
本文作者来自东北大学,他通过整理自监督学习的一系列工作,把主流方法分成三大类,方便大家更全面的了解自监督学习的定义.方法.用途. 与此同时,文中也穿插着几大主流方法的最新工作进展,现在正在探索自监督学 ...
自监督学习(Self-Supervised Learning)多篇论文解读（下）
自监督学习(Self-Supervised Learning)多篇论文解读(下) 之前的研究思路主要是设计各种各样的pretext任务,比如patch相对位置预测.旋转预测.灰度图片上色.视频帧排序等 ...
自监督学习(Self-Supervised Learning)多篇论文解读（上）
自监督学习(Self-Supervised Learning)多篇论文解读(上) 前言 Supervised deep learning由于需要大量标注信息,同时之前大量的研究已经解决了许多问题.所以 ...
三维点云去噪无监督学习：ICCV2019论文分析
三维点云去噪无监督学习:ICCV2019论文分析 Total Denoising: Unsupervised Learning of 3D Point Cloud Cleaning 论文链接: htt ...
机器学习概念 — 监督学习、无监督学习、半监督学习、强化学习、欠拟合、过拟合、后向传播、损失和优化函数、计算图、正向传播、反向传播
1. 监督学习和无监督学习监督学习 ( Supervised Learning ) 和无监督学习 ( Unsupervised Learning ) 是在机器学习中经常被提及的两个重要的学习方法. ...
无监督学习与有监督学习的本质区别是什么_人工智能中的无监督学习
这些误解中的许多原因都归因于这些形式的统计AI的名称例如,有些人认为仅将机器学习用作反馈循环就是强化学习.其他人则认为,无人监督的全自动机器学习应用程序就是无监督学习的例子,但是这些类别的真正区别在 ...
机器学习（17）无监督学习 -- K-means算法与性能评估
目录一.K-means 1.概念 2.过程 3.API(K-means) 二.K-means性能评估 1.轮廓系数 2.API(轮廓系数) 一.K-means 1.概念无监督学习:没有目标值(没有 ...
清华 CVer 对自监督学习的一些思考
来源 | Jack Cui 责编 | 晋兆雨头图 | CSDN 下载自视觉中国众所周知,机器学习大致可分为有监督学习和无监督学习. 自监督学习作为无监督学习的一个特例,可以理解它是一种没有人工标注 ...
强化学习是针对优化数据的监督学习？
作者 | Ben Eysenbach.Aviral Kumar.Abhishek Gupta 编译 | 凯隐出品 | AI科技大本营(ID:rgznai100) 强化学习(RL)可以从两个不同的视角 ...
基于监督学习+自监督学习的智能抠图，精确到发丝 | CVPR 2020
来源 | AI算法与图像处理(ID:AI_study) 华盛顿大学的研究者最近发表的论文在CVPR 2020提供了一个新的和简单的智能抠图方法.你可以在家里做这些日常设置,使用固定或手持相机.我们的方 ...

1.8 监督学习应用

文章目录

一、分类问题

1.基本概念

2.分类过程

3.性能指标

二、标注问题

1.基本概念

2. 标注过程

三、回归问题

1.基本概念

2.回归过程

1.8 监督学习应用相关推荐

最新文章

热门文章