3,768
社区成员
发帖
与我相关
我的任务
分享请发表友善的回复…
发表回复
weixin_38498942 03-27
- 打赏
- 举报
监督学习、无监督学习和强化学习是机器学习中的三种主要学习范式，它们的区别如下：
数据标注
- 监督学习：数据集中的每个样本都有明确的标签或目标值。例如，在图像分类任务中，图像数据会被标注为具体的类别，如“猫”“狗”“汽车”等；在房价预测任务中，每一组房屋特征数据都会对应一个实际的房价数值。
- 无监督学习：数据集中的样本没有给定的标签或目标值，数据是未被标记的。比如，有一堆用户的消费记录数据，没有事先定义这些数据应该被划分成什么类别或具有什么特定的目标值。
- 强化学习：数据通过智能体与环境的交互逐步生成。数据中包含智能体的动作、环境的反馈（奖励信号）等信息，但不像监督学习那样有事先定义好的明确标签。例如，在机器人导航任务中，机器人在环境中不断尝试不同的动作，根据到达目标的情况获得相应的奖励，这些奖励和动作序列等信息构成了学习的数据。
学习目标
- 监督学习：目标是学习一个映射函数，将输入特征映射到给定的输出标签或目标值上，以实现对新的未知数据进行准确的预测或分类。例如，根据学生的学习时间、作业完成情况等特征，预测学生的考试成绩；或者根据邮件的内容特征，判断邮件是垃圾邮件还是正常邮件。
- 无监督学习：旨在发现数据中的内在结构和模式，例如将数据聚类成不同的组，使得同一组内的数据具有相似性，不同组的数据具有差异性；或者学习数据的低维表示，用于数据降维或特征提取等。例如，对用户的行为数据进行聚类，将具有相似行为模式的用户归为一类；或者通过主成分分析将高维的图像数据转换为低维的特征表示。
- 强化学习：智能体通过与环境进行交互，学习如何选择最优的动作序列，以最大化长期累积奖励。例如，在游戏中，智能体要学习如何通过一系列的动作操作，使自己在游戏中获得尽可能高的分数；在自动驾驶中，车辆要学习如何根据路况和交通信号等环境信息，选择最佳的行驶动作，以安全、高效地到达目的地并获得奖励。
模型评估
- 监督学习：通常使用准确率、精确率、召回率、F1值、均方误差、平均绝对误差等指标来评估模型的性能，这些指标是基于预测结果与真实标签之间的差异计算的。例如，在分类任务中，准确率是预测正确的样本数与总样本数的比值；在回归任务中，均方误差是预测值与真实值之间误差的平方的平均值。
- 无监督学习：评估相对复杂和不直观，常用的指标有聚类的纯度、轮廓系数，以及降维后数据的重构误差等。聚类纯度用于衡量聚类结果中每个簇内样本的类别一致性；轮廓系数用于评估聚类的紧密性和分离度；重构误差用于衡量降维后的数据在恢复到原始空间时与原始数据的差异程度。
- 强化学习：主要通过累计奖励、平均奖励、学习曲线等指标来评估。累计奖励是智能体在整个学习过程中获得的奖励总和；平均奖励可以更直观地反映智能体的学习效果；学习曲线则展示了随着学习步数或时间的推移，智能体的性能（如奖励值）的变化趋势，用于分析智能体的学习速度和收敛情况。
