知识卡片
无监督学习与聚类
无监督学习面对的是没有目标输出的数据:只有输入,没有标准答案。它的目标不是拟合映射,而是理解数据本身的分布,发现样本之间隐含的相似性。因为没有标签可学,算法先靠初始化器给出一个初始决策边界,再在反复遍历数据的过程中不断更新这个边界,最终把相似的样本划到同一组,这就是聚类,K 均值是其中的代表算法。与监督学习相比,无监督学习不依赖人工标注,适合在未知结构中探索规律。
这张卡片看不懂?
这张卡片已通过人工审查,不再接受失败反馈。
已有反馈 · 0 条
还没有人提交反馈。
在整书笔记中的位置
原书出处 · 1 处
- 深度学习入门 机器学习的任务分类与深度学习 · 查看原书依据
当我们没有输入的相应目标输出值时,将使用无监督学习。 它用于了解数据分布并发现数据点之间某些种类的相似性。 由于没有可供学习的目标输出,因此无监督算法依靠初始化器来生成初始决策边界,并在它们遍历数据时对其进行更新。
参考来源
- 位置:《Python深度学习架构实用指南(初译)》第01章《深度学习入门》(源文件:`../../book-sources/extracted/Python深度学习架构实用指南(初译)/_epub-src/OEBPS/Text/04.html`,来源项目 a19c7933-4eda-4176-aebd-30fe7e1ad292)
- 结论依据:原文说明了无监督学习在无目标输出时依靠初始化与迭代更新决策边界,并将其命名为聚类,支撑本卡的机制描述。
- 原始内容:当我们没有输入的相应目标输出值时,将使用无监督学习。 它用于了解数据分布并发现数据点之间某些种类的相似性。 由于没有可供学习的目标输出,因此无监督算法依靠初始化器来生成初始决策边界,并在它们遍历数据时对其进行更新。