课程咨询: 400-996-5531 / 投诉建议: 400-111-8989
认真做教育 专心促就业
随着互联网的不断发展,越来越多的人都开始学习人工智能或者是Python编程等技术,而机器学习就是其中的一个核心技术点,下面我们就一起来了解一下,机器学习的任务类型。
一般来说,机器学习有两种任务:
监督学习
监督学习是一种机器学习任务,其中存在已定义的目标。从概念上讲,建模者将监督机器学习模型以实现特定目标。监督学习可以进一步分为两类:
回归
回归是机器学习任务的主力。它们用于估计或预测数值变量。回归模型的几个例子可以是:
下个季度潜在收入的预测?
明年能够完成多少笔交易?
分类
顾名思义,分类模型对某些事物进行了分类。估计哪个合适。分类模型经常用于所有类型的应用程序。分类模型的例子很少:
垃圾邮件过滤是分类模型的流行实现。在这里,根据特定特征,每个传入的电子邮件都被归类为垃圾邮件或非垃圾邮件。
客户流失预测是分类模型的另一个重要应用。在电信公司中广泛使用的流失模型可以对给定客户是否会流失(即停止使用服务)进行分类。
无监督学习
无监督学习是一类没有目标的机器学习任务。由于无监督学习没有任何特定目标,因此有时难以解释其产生的结果。有许多类型的无监督学习任务。关键是:
聚类:聚类是将类似事物组合在一起的过程。客户细分使用聚类方法。
关联:关联是一种寻找经常相互匹配的产品的方法。零售市场分析使用关联方法将产品捆绑在一起。
预测:预测用于发现数据项之间的连接。Facebook,亚马逊和Netflix采用的推荐引擎大量使用链接预测算法来分别向我们推荐朋友、要购买的商品和电影。
数据简化:数据简化方法用于简化从许多特征到少数特征的数据集。它使用具有许多属性的大型数据集,并找到用更少的属性表示它们的方法。
机器学习任务从模型到算法
一旦我们将业务问题分解为机器学习任务,一个或多个算法就可以解决给定的机器学习任务。通常,模型是在多种算法上训练的。选择提供佳结果的算法或算法集用于部署。
【免责声明】本文系本网编辑部分转载,转载目的在于传递更多信息,并不代表本网赞同其观点和对其真实性负责。如涉及作品内容、版权和其它问题,请在30日内与管理员联系,我们会予以更改或删除相关文章,以保证您的权益!更多内容请在707945861群中学习了解。