机器学习中类别的用例

Question

我开始学习机器学习的概念。

我想了解下面的一些用例场景

1. 分类
2. 回归
3. 聚类
4. 异常检测
5. 减少尺寸

我甚至想知道上面提到的列表属于哪个类别？（是受监督还是无人监督或强化）

Answer 1

一般说明

您不应该将ML中的任务类型视为已指定标签“监督/无监督/ ......”的任务。这不是它的工作原理。您可以说使用有监督/无监督学习来解决通常给定任务，但这就是这个问题。您可以在实践中生成具有任何标签的方法。

实际答案

ML的这些部分最初定义得很好，但随着这个领域的进展，其中许多合并，现在我们有更多类型的问题（如半监督学习，弱监督分类，表征学习），所以我强调我指的是每个

的原始含义

  

分类

定义为寻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（但有多个概括）。

现实生活中的例子：

• 面部识别（我们有一张脸，答案是谁）
• 药物发现（我们给予一种化合物，如果它是一种药物我们会回答）

学习类型：通常监督

  

回归

我们正在寻找一个映射到无限数值，有效排序，例如实数。

现实生活中的例子：

• 预测用户将根据其特点在我们的商店花费多少钱
• 预测下个月的耗电量
• 预测股价

学习类型：通常监督

  

聚类

通常定义为在数据中查找结构，无法访问此类结构的任何样本（稍后会进行许多修改，如约束聚类，弱监督聚类）

现实生活中的例子：

• 鉴于恒星的一组图像，它们是否会形成一些可区分的恒星类型？
• 鉴于我们网站上的用户活动 - 我们可以找到可区分的使用场景吗？

学习类型：通常无人监督

  

异常检测

给定一组“正常”观察结果建立模型以回答“新观察是正常的，还是异常？”

现实生活中的例子：

• 我们有一个有效的引擎参数记录，需要一种方法来报警，因为它开始表现“怪异”（即使我们不知道过去我们正在寻找什么样的“怪异”）
• 我们有来自普通人行为的相机的录音，我们想要报警的方法作为“发生异常的事情”（没有指明什么）

学习类型：通常无人监督

  

尺寸缩减

这只是一个预处理步骤。给定高维数据，我们寻求可用于其他任务的低维表示。

现实生活中的例子：

• 我们设置了高维数据（如患者记录）并希望将其可视化（在平面上绘图）
• 我们遇到分类问题而且我们的方法失败了 - 我们需要降低维度来提高分数

学习类型：通常无人监督

增强作用

上述都不是强化学习。增强学习可以应用于上述任何一个，如果我们只是有一些'环境'说我们的方法做'好'或'坏'（所以不要说'我希望这个图像被归类为猫'只有它'说'我看到你把这个图像分类为一个平面，好吧......它不是！'）。

换句话说 - 我们做任何事情，但我们确实有人判断我们的方法是好还是坏，但他们不给出正确答案。

Answer 2

分类 - ＆gt;将数据划分为已知输出类的类别。 - ＆GT;监督任务

回归 - ＆gt;输出数据是连续的 - ＆gt;监督任务。

聚类 - ＆gt;将数据划分为某些组 - ＆gt;无人监督的任务

异常检测 - ＆gt;从输入数据中找出一些不在场的数据点 - ＆gt;输出类标签不是必需的 - ＆gt;无人监督的任务。

降维 - ＆gt;将较高维度输入映射到较低维度输入 - ＆gt;输出类标签不是必需的 - ＆gt;无人监督的任务

Answer 3

这里是一个{3}}的非典型用例，它确定了两个问题，一个环境问题和一个软件错误，这些问题使微服务的效率变得不必要。