ML 02、监督学习
2014-10-31 09:28 ☆Ronny丶 阅读(1674) 评论(0) 编辑 收藏 举报机器学习算法原理、实现与实践——监督学习
机器学习包括监督学习、非监督学习、半监督学习及强化学习,这里先讨论监督学习。
监督学习的任务是学习一个模型,使模型能够对任意给定的输入,对其相应的输出做出一个好的预测。
1 基本概念
1.1 输入空间、特征空间与输出空间
输入与输出所有可能取值的集合分别称为输入空间与输出空间。
每个具体的输入是一个实例(instance),通常由特征向量(feature vector)表示,这时,所有特征向量存在的空间称为特征空间。特征空间的每一维对应于一个特征。有时假设输入空间与特征空间为相同的空间。有时假设为不同的空间,这里需要将输入空间映射于特征空间,这一过程称为特征提取。模型实际上都是定义在特征空间上的。在监督学习中,往往把输入空间看为特征空间。通常用表示输入空间的一个实例
其中,表示的第个特征。注意区分与,前者是一个实例中的第维特征的值,而后者表示一个训练集中的第个实例,它是一个向量。
监督学习从训练数据集合中学习模型,对测试数据进行预测。训练数据由输入(或特征向量)与输出对组成,训练集通常表示为:
测试数据也是由相应的输入与输出对组成。
输入与输出变量均为连续变量的预测问题称为回归问题。输出变量为有限个离散变量的预测称为分类问题;输入变量与输出变量均为变量序列的预测问题称为标注问题。
1.2 联合概率分布
监督学习假设输入与输出的随机变量和遵循联合概率分布。训练数据与测试数据被看作是依联合概率分布独立同分布产生的。
对于要统计分析的数据,存在这样的联合概率分布,这是监督学习对数据的基本假设。
1.3 假设空间
监督学习的目的在于学习一个输入到输出的映射,这一映射由模型来表示。但这样的映射往往不止一个,学习的目标在于找到最好的这样的模型。由这样的模型构成的集合就是假设空间。
监督学习的模型可以是概率模型或非概率模型。由条件概率分布或决策函数表示。
2 监督问题的形式化表示
监督学习利用训练数据集学习一个模型,再用模型对测试样本集进行预测。由于在这个过程中需要训练数据集,而训练数据集往往是人工给出的,所以称为监督学习。
监督学习分为学习和预测两个过程,由学习系统与预测系统完成,可以描述为下图。
首先给定一个训练数据集:
其中,称为样本或样本点。为一个输入的观测值,为输出的观测值。
监督学习中,假设训练数据与测试数据是依联合概率分布独立同分布产生的。
在学习的过程中,学习系统利用给定的训练数据集,通过学习得到一个模型,表示为条件概率分布或决策函数。
在预测过程中,预测系统对给定的测试样本集中的输入,由模型或给出相应的输出
在学习的过程中,每一个都会给模型带来一些信息,具体地说就是,对于输入,一个具体的模型会产生一个输出,然后用与训练样本的输出对比,然后学习模型会根据这个差距适当的自我调整,以保证下次再遇到这个输入时,预测的比现在好。
【推荐】国内首个AI IDE,深度理解中文开发场景,立即下载体验Trae
【推荐】编程新体验,更懂你的AI,立即体验豆包MarsCode编程助手
【推荐】抖音旗下AI助手豆包,你的智能百科全书,全免费不限次数
【推荐】轻量又高性能的 SSH 工具 IShell:AI 加持,快人一步
· AI与.NET技术实操系列:向量存储与相似性搜索在 .NET 中的实现
· 基于Microsoft.Extensions.AI核心库实现RAG应用
· Linux系列:如何用heaptrack跟踪.NET程序的非托管内存泄露
· 开发者必知的日志记录最佳实践
· SQL Server 2025 AI相关能力初探
· winform 绘制太阳,地球,月球 运作规律
· AI与.NET技术实操系列(五):向量存储与相似性搜索在 .NET 中的实现
· 超详细:普通电脑也行Windows部署deepseek R1训练数据并当服务器共享给他人
· 【硬核科普】Trae如何「偷看」你的代码?零基础破解AI编程运行原理
· 上周热点回顾(3.3-3.9)