Please enable JavaScript.
Coggle requires JavaScript to display documents.
監督式學習 - Coggle Diagram
監督式學習
線性迴歸
分類
簡單線性迴歸
多元迴歸
運作原理
1.蒐集特徵
2.建立具特徵與預測變數之模型
3.根據資料繪製 x 和 y 之間的線形圖
4.進行y的預測
滿足的條件
為線性關係
誤差為常態分佈
觀測值具獨立性
誤差的變異數同質性
優點
建模迅速，對於小數據量有效
容易理解，有利於決策分析
是非線性模型的基礎
缺點
難以很好地表達高度複雜的數據
非線性資料難以建模
支援向量機
組成要素
分隔超平面
支援向量
最大邊距
核函數
C參數
運作步驟
1.數據蒐集
2.分隔超平面
3.支援向量
4.找出最大邊距
5.核函數
應用
人臉檢測
圖像分類
生物資訊學
優點
有效處理高維數據
透過不同核函數可以處理不同的資料
決策函數預測效率高
缺點
維度過高容易造成運算上的負擔
容易造成過度擬和的問題
決策樹
學習過程
2.分割數據
3.建立子節點
1.選擇特徵
優點
不需過多前處理
能處理數值型和類別型特徵
容易理解和解釋
結構
內部節點（Internal Node）
葉子節點（Leaf Node）
根節點（Root Node）
分支（Branch）
缺點
對輸入數據的小變化敏感
不適用於某些複雜問題
容易過擬合
隨機森林
Random Forest = Bagging + Decision Tree
Bagging
Decision Tree
Random Forest
運作步驟
1.裝袋（Bagging）
2.建立決策樹
3.隨機特徵選擇
4.獨立預測
5.集成預測
6.穩定性提升
優點
高準確性
對特徵的自動選擇
對缺失數據的強韌性
能處理大量的特徵和數據
減少過擬合
能夠評估特徵的重要性
缺點
模型解釋性差
較大的內存消耗
計算較慢
機器學習
核心目標
做出最佳預測或決策
提高對新數據的泛化能力
種類
監督式學習
非監督式學習
半監督式學習
強化式學習
應用
圖像識別
語音識別
自然語言處理
推薦系統
自動駕駛汽車和自動化大眾運輸
簡化物流及配送方式
改善老年照護
金融領域的風險分析
訓練上的重要技術
資料清整
特徵萃取與選擇
模型選取
邏輯迴歸
缺點
對共線性敏感
不適用於複雜的分類任務
只能處理線性問題
需要特徵工程
無法處理非常大的特徵空間
運作步驟
3.邏輯函數
4.訓練模型
2.建立模型
5.預測機率
1.搜集特徵
6.二元分類
優點
適合少量資料
預測機率
簡單易懂
適應性強
計算效率高
神經網路
結構
輸入層
隱藏層
輸出層
優點
不需在輪入與輪出參數之間建構一數學模型
資料誤差容忍度大
容易適應新的資料
應用
電腦視覺
語音識別
自然語言處理
推薦引擎
優缺點
優點
最佳的預測精度
十分輕易的評斷模型的優劣
缺點
必須要有資料標籤
依靠人工分類與標註，需要耗費人力、時間與金錢