Machine learning 机器学习中类别的用例
我开始学习机器学习的概念 我想知道下面的一些用例场景Machine learning 机器学习中类别的用例,machine-learning,Machine Learning,我开始学习机器学习的概念 我想知道下面的一些用例场景 分类 回归 群集 异常检测 降维 我甚至想知道上面提到的列表属于哪一类?(是在监督或非监督或强化中)分类->将数据划分为已知输出类的类别。->监督任务 回归->输出数据连续->监督任务 聚类->将数据分成若干组->无监督任务 异常检测->从输入数据中找出一些不合适的数据点->不需要输出类标签->无监督任务 维度缩减->将高维度输入映射到低维度输入->不需要输出类标签->无监督任务一般说明 您不应该将ML中的任务类型视为具有“受监督/无监督/…
我甚至想知道上面提到的列表属于哪一类?(是在监督或非监督或强化中)分类->将数据划分为已知输出类的类别。->监督任务 回归->输出数据连续->监督任务 聚类->将数据分成若干组->无监督任务 异常检测->从输入数据中找出一些不合适的数据点->不需要输出类标签->无监督任务 维度缩减->将高维度输入映射到低维度输入->不需要输出类标签->无监督任务一般说明 您不应该将ML中的任务类型视为具有“受监督/无监督/…”标签的任务。这不是它的工作原理。你可以说,通常给定的任务是使用有监督/无监督学习来解决的,但这就是问题所在。在实践中,您可以生成带有任何任务标签的方法 实际答案 ML的这些部分最初定义得很好,但随着该领域的发展,它们中的许多被合并了,现在我们有更多类型的问题(如半监督学习、弱监督分类、表示学习),因此我强调我提到了每个问题的原始含义 分类 定义为查找从对象到有限类集的映射的问题。通常每个对象只有一个类(但有多个类的泛化) 现实生活中的例子:
- 人脸识别(给我们一张脸,回答是谁)
- 药物发现(给我们一种化合物,我们回答它是否是药物)
- 根据用户的特征预测用户在我们商店的消费金额
- 预测下个月的用电量
- 预测股票价格
- 给定一组恒星图像,它们是否形成了一些可区分的恒星类型
- 鉴于用户在我们网站上的活动,我们是否可以找到不同的使用场景
- 我们有一个有效发动机参数的记录,需要一种方法来报警,因为它开始表现“怪异”(尽管我们过去不知道我们在寻找什么样的“怪异”)
- 我们从摄像机中记录了人们的日常行为,我们希望该方法能够在“发生了异常情况”时发出警报(但没有说明发生了什么)
- 我们有一组高维数据(如患者记录),并希望将其可视化(在平面上绘制)
- 我们有一个分类的问题,我们的方法失败了-我们需要降低维度来增加分数
换句话说,我们做任何任务,但我们确实有人判断我们的方法是好是坏,但他们并没有给出正确的答案。这里是一个有点非典型的用例,我们发现了两个问题,一个环境问题和一个软件缺陷使得微服务的效率比需要的要低。我需要一些实时使用cases@SravaniAnnepu实时的还是真实的生活?