Maschinelles Lernen (ML) ist ein leistungsstarkes Werkzeug, das es Computern erm?glicht, aus Daten zu lernen und Vorhersagen oder Entscheidungen zu treffen. Aber maschinelles Lernen ist nicht gleich maschinelles Lernen – es gibt verschiedene Arten des Lernens, die jeweils für bestimmte Aufgaben geeignet sind. Die beiden h?ufigsten Arten sind überwachtes Lernen und unüberwachtes Lernen. In diesem Artikel werden wir die Unterschiede zwischen ihnen untersuchen, Beispiele aus der Praxis bereitstellen und Codeausschnitte durchgehen, um Ihnen zu helfen, ihre Funktionsweise zu verstehen.
Was ist überwachtes Lernen?
überwachtes Lernen ist eine Art maschinelles Lernen, bei dem ein Algorithmus aus gekennzeichneten Daten lernt. Mit anderen Worten: Die Daten, die Sie dem Modell bereitstellen, umfassen Eingabemerkmale und die richtigen Ausgaben (Beschriftungen). Das Ziel besteht darin, dass das Modell die Beziehung zwischen Eingaben und Ausgaben lernt, damit es genaue Vorhersagen zu neuen, unsichtbaren Daten treffen kann.
Beispiele aus der Praxis für überwachtes Lernen
E-Mail-Spam-Erkennung:
- Eingabe: Der Text der E-Mail.
- Ausgabe: Label, das angibt, ob die E-Mail ?Spam“ oder ?Kein Spam“ ist.
- Das Modell lernt, E-Mails anhand beschrifteter Beispiele zu klassifizieren.
Hauspreisprognose:
- Eingabe: Merkmale des Hauses (z. B. Quadratmeterzahl, Anzahl der Schlafzimmer, Lage).
- Ausgabe: Preis des Hauses.
- Das Modell lernt, Preise anhand historischer Daten vorherzusagen.
Medizinische Diagnose:
- Eingabe: Patientendaten (z. B. Symptome, Laborergebnisse).
- Ausgabe: Diagnose (z. B. ?Gesundheit“ oder ?Diabetes“).
- Das Modell lernt, anhand gekennzeichneter Krankenakten eine Diagnose zu stellen.
Was ist unüberwachtes Lernen?
Unüberwachtes Lernen ist eine Art maschinelles Lernen, bei dem Algorithmen aus unbeschrifteten Daten lernen. Im Gegensatz zum überwachten Lernen wird keine korrekte Ausgabe bereitgestellt. Stattdessen versuchen Modelle selbstst?ndig Muster, Strukturen oder Zusammenh?nge in den Daten zu finden.
Beispiele aus der Praxis für unbeaufsichtigtes Lernen
Kundensegmentierung:
- Eingabe: Kundendaten (z. B. Alter, Kaufhistorie, Standort).
- Ausgabe: Gruppen ?hnlicher Kunden (z. B. ?Hochfrequenzk?ufer“, ?Budgetk?ufer“).
- Das Modell identifiziert Cluster von Kunden mit ?hnlichem Verhalten.
Anomalieerkennung:
- Eingabe: Netzwerkverkehrsdaten.
- Ergebnis: Identifizieren Sie ungew?hnliche Muster, die auf einen Cyberangriff hinweisen k?nnen.
- Das Modell erkennt Ausrei?er oder Anomalien in den Daten.
Warenkorbanalyse:
- Eingeben: Transaktionsdaten von Lebensmittelgesch?ften.
- Ausgabe: Die Produktgruppe wurde h?ufig zusammen gekauft (wie "Brot und Butter").
- Der Zusammenhang zwischen Modellerkennungsprodukten.
Die Hauptunterschiede zwischen überwachungslernen und unbeaufsichtigtem Lernen
**方面** | **監(jiān)督學(xué)習(xí)** | **無(wú)監(jiān)督學(xué)習(xí)** |
---|---|---|
**數(shù)據(jù)** | 標(biāo)記的(提供輸入和輸出) | 未標(biāo)記的(僅提供輸入) |
**目標(biāo)** | 預(yù)測(cè)結(jié)果或?qū)?shù)據(jù)進(jìn)行分類(lèi) | 發(fā)現(xiàn)數(shù)據(jù)中的模式或結(jié)構(gòu) |
**示例** | 分類(lèi)、回歸 | 聚類(lèi)、降維 |
**復(fù)雜性** | 更容易評(píng)估(已知輸出) | 更難評(píng)估(沒(méi)有基本事實(shí)) |
**用例** | 垃圾郵件檢測(cè)、價(jià)格預(yù)測(cè) | 客戶(hù)細(xì)分、異常檢測(cè) |
Lassen Sie uns einen Code in der Tiefe untersuchen und die Arbeitsmethoden des überwachungslernens und das unbeaufsichtigte Lernen in der Praxis untersuchen. Wir werden Python und popul?re
scikit-larn Bibliotheken verwenden.
Aufsichtserlernungsbeispiel: Vorhersage des Preises von H?usernWir werden einfache lineare Regressionsmodelle verwenden, um den Preis von H?usern auf der Grundlage der Eigenschaften der Quadratfu? vorherzusagen.
# 導(dǎo)入庫(kù) import numpy as np import pandas as pd from sklearn.model_selection import train_test_split from sklearn.linear_model import LinearRegression from sklearn.metrics import mean_squared_error # 創(chuàng)建樣本數(shù)據(jù)集 data = { 'SquareFootage': [1400, 1600, 1700, 1875, 1100, 1550, 2350, 2450, 1425, 1700], 'Price': [245000, 312000, 279000, 308000, 199000, 219000, 405000, 324000, 319000, 255000] } df = pd.DataFrame(data) # 特征 (X) 和標(biāo)簽 (y) X = df[['SquareFootage']] y = df['Price'] # 將數(shù)據(jù)分成訓(xùn)練集和測(cè)試集 X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42) # 訓(xùn)練線(xiàn)性回歸模型 model = LinearRegression() model.fit(X_train, y_train) # 做出預(yù)測(cè) y_pred = model.predict(X_test) # 評(píng)估模型 mse = mean_squared_error(y_test, y_pred) print(f"均方誤差:{mse:.2f}")unbeaufsichtigtes Lernbeispiel: Kundensegmentierung
Wir werden den durchschnittlichen Cluster -Algorithmus von K verwenden, um den Kunden nach Alters- und Verbrauchsgewohnheiten des Kunden zu gruppieren.
# 導(dǎo)入庫(kù) import numpy as np import pandas as pd from sklearn.cluster import KMeans import matplotlib.pyplot as plt # 創(chuàng)建樣本數(shù)據(jù)集 data = { 'Age': [25, 34, 22, 45, 32, 38, 41, 29, 35, 27], 'SpendingScore': [30, 85, 20, 90, 50, 75, 80, 40, 60, 55] } df = pd.DataFrame(data) # 特征 (X) X = df[['Age', 'SpendingScore']] # 訓(xùn)練 K 均值聚類(lèi)模型 kmeans = KMeans(n_clusters=3, random_state=42) df['Cluster'] = kmeans.fit_predict(X) # 可視化集群 plt.scatter(df['Age'], df['SpendingScore'], c=df['Cluster'], cmap='viridis') plt.xlabel('年齡') plt.ylabel('消費(fèi)評(píng)分') plt.title('客戶(hù)細(xì)分') plt.show()
Wenn Sie überwachung und Lernen und unbeaufsichtigtes Lernen verwenden
Wann verwendet überwachung und Studium:
- Sie haben die markierten Daten.
- Sie m?chten die Ergebnisse vorhersagen oder die Daten klassifizieren.
- Beispiel: Prognoseverk?ufe, klassifizieren und erkennen Betrug auf Bildern.
- Sie haben nicht signierte Daten.
- Sie m?chten einen versteckten Modus oder eine versteckte Struktur finden.
- Beispiel: Gruppierung für Kunden, Reduzierung von Datenabmessungen und Feststellung von Anomalien.
Schlussfolgerung
überwachungslernen und unbeaufsichtigtes Lernen sind zwei grundlegende Methoden im maschinellen Lernen. Das Lernen des überwachung ist sehr geeignet für die Vorhersage, wenn Sie Tag -Tag -Daten haben, und das unbeaufsichtigte Lernen ist hervorragend, wenn Sie die Art der nicht signierten Daten untersuchen und entdecken m?chten.
Wenn Sie Unterschiede verstehen und ein Beispiel für die reale Welt (z. B. Beispiele in diesem Artikel) praktizieren, werden Sie diese grundlegenden Technologien für maschinelles Lernen beherrschen. Wenn Sie Fragen haben oder Ihre eigenen Erfahrungen teilen m?chten, hinterlassen Sie bitte eine Nachricht.
Das obige ist der detaillierte Inhalt vonüberwachtes vs. unüberwachtes Lernen. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!

Hei?e KI -Werkzeuge

Undress AI Tool
Ausziehbilder kostenlos

Undresser.AI Undress
KI-gestützte App zum Erstellen realistischer Aktfotos

AI Clothes Remover
Online-KI-Tool zum Entfernen von Kleidung aus Fotos.

Clothoff.io
KI-Kleiderentferner

Video Face Swap
Tauschen Sie Gesichter in jedem Video mühelos mit unserem v?llig kostenlosen KI-Gesichtstausch-Tool aus!

Hei?er Artikel

Hei?e Werkzeuge

Notepad++7.3.1
Einfach zu bedienender und kostenloser Code-Editor

SublimeText3 chinesische Version
Chinesische Version, sehr einfach zu bedienen

Senden Sie Studio 13.0.1
Leistungsstarke integrierte PHP-Entwicklungsumgebung

Dreamweaver CS6
Visuelle Webentwicklungstools

SublimeText3 Mac-Version
Codebearbeitungssoftware auf Gottesniveau (SublimeText3)

Hei?e Themen

Pythons untestestes und PyTest sind zwei weit verbreitete Test -Frameworks, die das Schreiben, Organisieren und Ausführen automatisierter Tests vereinfachen. 1. Beide unterstützen die automatische Entdeckung von Testf?llen und liefern eine klare Teststruktur: Unittest definiert Tests durch Erben der Testpase -Klasse und beginnt mit Test \ _; PyTest ist pr?gnanter, ben?tigen nur eine Funktion, die mit Test \ _ beginnt. 2. Sie alle haben eine integrierte Behauptungsunterstützung: Unittest bietet AssertEqual, AssertRue und andere Methoden, w?hrend PyTest eine erweiterte Anweisung für die Assert verwendet, um die Fehlerdetails automatisch anzuzeigen. 3. Alle haben Mechanismen für die Vorbereitung und Reinigung von Tests: un

PythonisidealfordataanalysisduetoNumPyandPandas.1)NumPyexcelsatnumericalcomputationswithfast,multi-dimensionalarraysandvectorizedoperationslikenp.sqrt().2)PandashandlesstructureddatawithSeriesandDataFrames,supportingtaskslikeloading,cleaning,filterin

Die dynamische Programmierung (DP) optimiert den L?sungsprozess, indem komplexe Probleme in einfachere Unterprobleme zerlegt und deren Ergebnisse gespeichert werden, um wiederholte Berechnungen zu vermeiden. Es gibt zwei Hauptmethoden: 1. Top-Down (Memorisierung): Das Problem rekursiv zerlegen und Cache verwenden, um Zwischenergebnisse zu speichern; 2. Bottom-up (Tabelle): Iterativ L?sungen aus der grundlegenden Situation erstellen. Geeignet für Szenarien, in denen maximale/minimale Werte, optimale L?sungen oder überlappende Unterprobleme erforderlich sind, wie Fibonacci -Sequenzen, Rucksackprobleme usw. In Python k?nnen sie durch Dekoratoren oder Arrays implementiert werden, und die Aufmerksamkeit sollte für die Identifizierung rekursiver Beziehungen gezahlt werden, und die Optimierung der Komplexit?t des Raums.

Um einen benutzerdefinierten Iterator zu implementieren, müssen Sie die Methoden __iter__ und __next__ in der Klasse definieren. ① Die __iter__ -Methode gibt das Iteratorobjekt selbst, normalerweise selbst, um mit iterativen Umgebungen wie für Schleifen kompatibel zu sein. ② Die __Next__ -Methode steuert den Wert jeder Iteration, gibt das n?chste Element in der Sequenz zurück, und wenn es keine weiteren Elemente mehr gibt, sollte die Ausnahme der Stopperation geworfen werden. ③ Der Status muss korrekt nachverfolgt werden und die Beendigungsbedingungen müssen festgelegt werden, um unendliche Schleifen zu vermeiden. ④ Komplexe Logik wie Filterung von Dateizeilen und achten Sie auf die Reinigung der Ressourcen und die Speicherverwaltung; ⑤ Für eine einfache Logik k?nnen Sie stattdessen die Funktionsertrags für Generator verwenden, müssen jedoch eine geeignete Methode basierend auf dem spezifischen Szenario ausw?hlen.

Zukünftige Trends in Python umfassen Leistungsoptimierung, st?rkere Typ -Eingabeaufforderungen, der Aufstieg alternativer Laufzeiten und das fortgesetzte Wachstum des KI/ML -Feldes. Erstens optimiert CPython weiterhin und verbessert die Leistung durch schnellere Startzeit, Funktionsaufrufoptimierung und vorgeschlagene Ganzzahloperationen. Zweitens sind Typ -Eingabeaufforderungen tief in Sprachen und Toolchains integriert, um die Sicherheit und Entwicklung von Code zu verbessern. Drittens bieten alternative Laufzeiten wie Pyscript und Nuitka neue Funktionen und Leistungsvorteile; Schlie?lich erweitern die Bereiche von KI und Data Science weiter und aufstrebende Bibliotheken f?rdern eine effizientere Entwicklung und Integration. Diese Trends zeigen, dass Python st?ndig an technologische Ver?nderungen anpasst und seine führende Position aufrechterh?lt.

Das Python-Socket-Modul ist die Grundlage für die Netzwerkprogrammierung und bietet Niveau-Netzwerkkommunikationsfunktionen, die für das Erstellen von Client- und Serveranwendungen geeignet sind. Um einen grundlegenden TCP -Server einzurichten, müssen Sie Socket. Um einen TCP -Client zu erstellen, müssen Sie ein Socket -Objekt erstellen und .Connect () anrufen, um eine Verbindung zum Server herzustellen, und dann .Sendall () zum Senden von Daten und .recv () zum Empfangen von Antworten verwenden. Um mehrere Clients zu handhaben, k?nnen Sie 1. Threads verwenden: Starten Sie jedes Mal einen neuen Thread, wenn Sie eine Verbindung herstellen. 2. Asynchrone E/O: Zum Beispiel kann die Asyncio-Bibliothek eine nicht blockierende Kommunikation erreichen. Dinge zu beachten

Der Polymorphismus ist ein Kernkonzept in der objektorientierten Programmierung von Python-Objekte und bezieht sich auf "eine Schnittstelle, mehrere Implementierungen" und erm?glicht eine einheitliche Verarbeitung verschiedener Arten von Objekten. 1. Polymorphismus wird durch Umschreiben durch Methode implementiert. Unterklassen k?nnen übergeordnete Klassenmethoden neu definieren. Zum Beispiel hat die Spoke () -Methode der Tierklasse unterschiedliche Implementierungen in Hunde- und Katzenunterklassen. 2. Die praktischen Verwendungen des Polymorphismus umfassen die Vereinfachung der Codestruktur und die Verbesserung der Skalierbarkeit, z. 3. Die Python -Implementierungspolymorphismus muss erfüllen: Die übergeordnete Klasse definiert eine Methode, und die untergeordnete Klasse überschreibt die Methode, erfordert jedoch keine Vererbung derselben übergeordneten Klasse. Solange das Objekt dieselbe Methode implementiert, wird dies als "Ententyp" bezeichnet. 4. Zu beachten ist die Wartung

Die Kernantwort auf die Python -Liste Slicing besteht darin, die Syntax [Start: Ende: Stufe] zu beherrschen und ihr Verhalten zu verstehen. 1. Das grundlegende Format der Listenschnitte ist die Liste [Start: Ende: Schritt], wobei der Start der Startindex (enthalten) ist, das Ende ist der Endindex (nicht enthalten) und Schritt ist die Schrittgr??e; 2. Start standardm??ig starten mit 0, lasse Ende standardm??ig bis zum Ende aus, standardm??ig standardm??ig 1 aus. 3.. Verwenden Sie My_List [: n], um die ersten N-Elemente zu erhalten, und verwenden Sie My_List [-n:], um die letzten N-Elemente zu erhalten. 4. Verwenden Sie den Schritt, um Elemente wie my_list [:: 2] zu überspringen, um gleiche Ziffern zu erhalten, und negative Schrittwerte k?nnen die Liste umkehren. 5. H?ufige Missverst?ndnisse umfassen den Endindex nicht
