Spisu treści:

Czym jest Stowarzyszenie w nauce nienadzorowanej?
Czym jest Stowarzyszenie w nauce nienadzorowanej?

Wideo: Czym jest Stowarzyszenie w nauce nienadzorowanej?

Wideo: Czym jest Stowarzyszenie w nauce nienadzorowanej?
Wideo: 1.4. Unsupervised Learning | Clustering and Association Algorithms in Machine Learning 2024, Może
Anonim

Stowarzyszenie zasady lub Stowarzyszenie analiza jest również ważnym tematem w eksploracji danych. To jest bez nadzoru metody, więc zaczynamy od nieoznakowanego zestawu danych. Nieoznakowany zbiór danych to zbiór danych bez zmiennej, który daje nam właściwą odpowiedź. Stowarzyszenie analiza próbuje znaleźć relacje między różnymi podmiotami.

W związku z tym, czy zasady stowarzyszenia to uczenie się nienadzorowane?

W przeciwieństwie do drzewa decyzyjnego i reguła zestaw indukcji, w wyniku którego powstają modele klasyfikacyjne, nauka zasad stowarzyszenia jest nauka nienadzorowana metody, bez etykiet klas przypisanych do przykładów. To byłby wtedy nadzorowany Uczenie się zadanie, w którym NN uczy się na podstawie preskalkulowanych przykładów.

Co oznacza nauka nienadzorowana? Nauka nienadzorowana to rodzaj nauczanie maszynowe algorytm używany do wyciągania wniosków ze zbiorów danych składających się z danych wejściowych bez oznaczonych odpowiedzi. Najpopularniejszy nauka nienadzorowana metoda jest analiza skupień, która jest służy do eksploracyjnej analizy danych w celu znalezienia ukrytych wzorców lub grupowania danych.

Co to jest także przykład uczenia się bez nadzoru?

Tutaj może być przykłady nienadzorowanego uczenia maszynowego takie jak k-średnie Grupowanie , Ukryty model Markowa, DBSCAN Grupowanie , PCA, t-SNE, SVD, reguła asocjacji. Sprawdźmy kilka z nich: k-średnie Grupowanie - Eksploracja danych. k-oznacza grupowanie jest algorytmem centralnym w nienadzorowane uczenie maszynowe operacja.

Jakie są rodzaje uczenia się nienadzorowanego?

Niektóre z najczęstszych algorytmów stosowanych w uczeniu nienadzorowanym obejmują:

  • Grupowanie. grupowanie hierarchiczne, k-średnie.
  • Wykrywanie anomalii. Lokalny czynnik odstający.
  • Sieci neuronowe. Autokodery. Głębokie sieci przekonań.
  • Podejścia do uczenia modeli zmiennych ukrytych, takich jak. Algorytm oczekiwanie-maksymalizacji (EM) Metoda momentów.

Zalecana: