Tartalomjegyzék:

Mit jelent az asszociáció a felügyelet nélküli tanulásban?
Mit jelent az asszociáció a felügyelet nélküli tanulásban?

Videó: Mit jelent az asszociáció a felügyelet nélküli tanulásban?

Videó: Mit jelent az asszociáció a felügyelet nélküli tanulásban?
Videó: Interviewed ChatGPT on Free Will... Here's What Happened 2024, Lehet
Anonim

Egyesület szabályok ill Egyesület az adatbányászatban is fontos téma az elemzés. Ez egy felügyelet nélkül módszerrel, tehát egy címkézetlen adatkészlettel kezdjük. A címkézetlen adatkészlet olyan változó nélküli adatkészlet, amely megadja a helyes választ. Egyesület az elemzés megpróbálja megtalálni a kapcsolatokat a különböző entitások között.

Ennek megfelelően az egyesületi szabályok felügyelet nélküli tanulása?

Szemben a döntési fával és szabály beállított indukció, amelyek osztályozási modelleket eredményeznek, asszociációs szabály tanulás egy felügyelet nélküli tanulás metódussal, a példákhoz nincsenek osztálycímkék hozzárendelve. Ez akkor felügyelt lesz Tanulás feladat, ahol az NN előre kalsifikált példákból tanul.

Illetve mit jelent a felügyelet nélküli tanulás? A felügyelet nélküli tanulás az egy fajta gépi tanulás algoritmus, amellyel következtetéseket vonhatunk le címkézett válaszok nélküli bemeneti adatokból álló adatkészletekből. A leggyakrabban felügyelet nélküli tanulás módszer van klaszterelemzés, amely van feltáró adatelemzésre használják, hogy rejtett mintákat vagy csoportosítást találjanak az adatokban.

Továbbá, mi az a felügyelet nélküli tanulási példa?

Itt lehet felügyelet nélküli gépi tanulási példák mint például a k-közép Klaszterezés , Rejtett Markov-modell, DBSCAN Klaszterezés , PCA, t-SNE, SVD, asszociációs szabály. Nézzünk meg néhányat közülük: k-means Klaszterezés - Adatbányászat. k-át jelenti klaszterezés a központi algoritmus felügyelet nélküli gépi tanulás művelet.

Melyek a felügyelet nélküli tanulás különböző típusai?

A felügyelet nélküli tanulásban használt leggyakoribb algoritmusok közé tartozik:

  • Klaszterezés. hierarchikus klaszterezés, k-közép.
  • Anomália észlelése. Helyi kiugró tényező.
  • Neurális hálózatok. Automatikus kódolók. Deep Belief Nets.
  • A látens változómodellek tanulásának megközelítései, mint pl. Várakozás-maximalizálási algoritmus (EM) Momentumok módszere.

Ajánlott: