监督学习算法学习笔记.pdf_算法学习资源-CSDN文库

版权申诉

10 浏览量 2022-06-03 02:46:15 上传评论收藏 652KB PDF 举报

资源推荐

资源详情

资源评论

监督学习

1 基本概念

监督学习又称为分类（Classification）或者归纳学习（Inductive Learning）。几乎适

用于所有领域，包括文本和网页处理。给出一个数据集 D，机器学习的目标就是产生一

个联系属性值集合 A 和类标集合 C 的分类/预测函数（Classification/Prediction Function），

这个函数可以用于预测新的属性集合的类标。这个函数又被称为分类模型（Classification

Model）、预测模型（Prediction Model）。这个分类模型可以是任何形式的，例如决策

树、规则集、贝叶斯模型或者一个超平面。

在监督学习（Supervised Learning）中，已经有数据给出了类标；与这一方式相对

的是无监督学习（Unsupervised Learning），在这种方式中，所有的类属性都是未知的，

算法需要根据数据集的特征自动产生类属性。算法用于进行学习的数据集叫做训练数据

集，当使用学习算法用训练数据集学习得到一个模型以后，我们使用测试数据集来评测

这个模型的精准度。

机器学习的最基本假设是：训练数据的分布应该与测试数据的分布一致。

2 决策树推理

2.1 什么是决策树

决策树学习算法是分类算法中最广泛应用的一种技术，这种算法的分类精度与其他

算法相比具有相当的竞争力，并且十分高效。例如，对于表 2-1 所示的贷款申请的数据

集，可以学习到一种决策树结构，表示为图 2-1。

表 2-1 贷款申请数据

根据数据集建立的一种决策树结构如下：

本内容试读结束，登录后可阅读更多

下载后可阅读完整内容，剩余9页未读，立即下载

内容反馈

版权申诉

春哥111

粉丝: 1w+
资源: 5万+

最新资源

资源上传下载、课程学习等过程中有任何疑问或建议，欢迎提出宝贵意见哦~我们会及时处理！点击此处反馈

feedback-tip