監(jiān)督學(xué)習
[拼音]：jiandu xuexi
[外文]：supervised learning
利用一組已知類別的樣本調(diào)整分類器的參數(shù)，使其達到所要求性能的過程，也稱為監(jiān)督訓(xùn)練或有教師學(xué)習。正如人們通過已知病例學(xué)習診斷技術(shù)那樣，計算機要通過學(xué)習才能具有識別各種事物和現(xiàn)象的能力。用來進行學(xué)習的材料就是與被識別對象屬于同類的有限數(shù)量樣本。監(jiān)督學(xué)習中在給予計算機學(xué)習樣本的同時，還告訴計算各個樣本所屬的類別。若所給的學(xué)習樣本不帶有類別信息,就是無監(jiān)督學(xué)習。任何一種學(xué)習都有一定的目的,對于模式識別來說，就是要通過有限數(shù)量樣本的學(xué)習，使分類器在對無限多個模式進行分類時所產(chǎn)生的錯誤概率最小。
不同設(shè)計方法的分類器有不同的學(xué)習算法。對于貝葉斯分類器來說，就是用學(xué)習樣本估計特征向量的類條件概率密度函數(shù)。在已知類條件概率密度函數(shù)形式的條件下，用給定的獨立和隨機獲取的樣本集，根據(jù)最大似然法或貝葉斯學(xué)習估計出類條件概率密度函數(shù)的參數(shù)。例如，假定模式的特征向量服從正態(tài)分布，樣本的平均特征向量和樣本協(xié)方差矩陣就是正態(tài)分布的均值向量和協(xié)方差矩陣的最大似然估計。在類條件概率密度函數(shù)的形式未知的情況下，有各種非參數(shù)方法，用學(xué)習樣本對類條件概率密度函數(shù)進行估計。在分類決策規(guī)則用判別函數(shù)表示的一般情況下,可以確定一個學(xué)習目標,例如使分類器對所給樣本進行分類的結(jié)果盡可能與“教師”所給的類別一致，然后用迭代優(yōu)化算法求取判別函數(shù)中的參數(shù)值。
在無監(jiān)督學(xué)習的情況下，用全部學(xué)習樣本可以估計混合概率密度函數(shù)，若認為每一模式類的概率密度函數(shù)只有一個極大值，則可以根據(jù)混合概率密度函數(shù)的形狀求出用來把各類分開的分界面。
建筑資質(zhì)代辦咨詢熱線：13198516101
版權(quán)聲明：本文采用知識共享 署名4.0國際許可協(xié)議 [BY-NC-SA] 進行授權(quán)
文章名稱：《監(jiān)督學(xué)習》
文章鏈接：http://www.fjemb.com/14499.html
該作品系作者結(jié)合建筑標準規(guī)范、政府官網(wǎng)及互聯(lián)網(wǎng)相關(guān)知識整合。如若侵權(quán)請通過投訴通道提交信息，我們將按照規(guī)定及時處理。
咨詢熱線：13198516101 
