Python中无监督学习有哪些机器学习算法种类？

本文共计6720个文字，预计阅读时间需要27分钟。

在这个环节，我们将简要介绍不同类型的机器学习，并着重关注它们的主要特点和差异。在下文中，我们将讨论非正式定义和正式定义。如果你对讨论中涉及到的数学概念不熟悉，请继续阅读。

在这一节，我们将简要介绍不同类型的机器学习，并重点关注它们的主要特点和差异。在接下来的部分中，我们将讨论非正式定义，以及正式定义。如果你不熟悉讨论中涉及的数学概念，则可以跳过详细信息。但是，研究所有未知的理论因素是非常明智的，因为它们对于理解后面章节的概念至关重要。

1.3.1　有监督学习算法

在有监督的场景中，模型的任务是查找样本的正确标签，假设在训练集时标记正确，并有可能将估计值与正确值进行比较。有监督这个术语源自外部教学代理的想法，其在每次预测之后提供精确和即时的反馈。模型可以使用此类反馈作为误差的度量，从而减少错误所需的更正。

更正式地说，如果我们假设一个数据生成过程，数据集

的获取如下：

其中

且

如1.2节所述，所有样本必须是从数据生成过程中统一采样的独立且同分布（Independent and Identically Distributed，IID）的值。特别地，所有类别必须代表实际分布（例如，如果p(y=0) = 0.4且p(y=1)= 0.6，则该比例应为40%或60%）。但是，为了避免偏差，当类之间的差异不是很大时，合理的选择是完全统一的采样，并且对于y=1,2,…,M是具有相同数量的代表。

通用分类器

可以通过两种方式建模。

• 输出预测类的参数化函数。
• 参数化概率分布，输出每个输入样本的类概率。