我是机器学习的新手，我有这个基本问题。由于我在算法的数学部分较弱，我发现很难理解这一点。
当您被赋予使用无监督学习（无训练样本）设计分类器（保持简单 - 2 类分类器）的任务时，如何决定使用哪种类型的分类器（线性或非线性）？如果我们不知道这一点，那么特征选择的重要性（这意味着间接地知道数据集是什么）变得非常关键。我是在朝着正确的方向思考还是有什么我不知道的大事。非常感谢您对该主题的深入了解。
问问题
154 次
2 回答
1
根据定义，分类是一个“监督学习”问题。此类模型需要给定类中的点示例，以了解如何将类彼此分开。如果您只是在寻找未标记数据点之间的关系，那么您正在解决一个无监督问题。研究聚类算法。k-means是很多人开始的地方。
希望这可以帮助！
于 2013-10-31T22:51:05.283 回答
0
这是一个巨大的问题。是的，术语“聚类”是谷歌搜索的最佳切入点，但我知道您想要训练分类器，其中“训练”意味着使用参数优化目标函数。首选绝对不是判别分类器（例如线性分类器），因为使用它们，标准最大似然 (ML) 目标在没有标签的情况下无法工作。如果您绝对想使用线性分类器，那么您必须调整 ML 目标，或者更好地使用另一个目标（近似分类器风险）。但更简单的选择是查看生成模型，例如 HMM、朴素贝叶斯、潜在狄利克雷分配……ML 目标在没有标签的情况下工作。
于 2014-09-10T08:17:34.690 回答