非監督式學習

维基百科,自由的百科全书
跳转至: 导航搜索

非監督式學習是一種機器學習的方式,並不需要人力來輸入標籤。它是監督式學習強化學習等策略之外的一種選擇。在監督式學習中,典型的任務是分類和迴歸分析,且需要使用到人工預先準備好的範例(base)。

一個常見的非監督式學習是数据聚类。在人工神經網路中,自我組織映射(SOM)和適應性共振理論(ART)則是最常用的非監督式學習。

ART模型允許叢集的個數可隨著問題的大小而變動,並讓使用者控制成員和同一個叢集之間的相似度分數,其方式為透過一個由使用者自定而被稱為警覺參數的常數。ART也用於模式識別,如自動目標辨識數位信號處理。第一個版本為"ART1",是由卡本特和葛羅斯柏格所發展的。

參考文獻[编辑]

  • S. Kotsiantis, P. Pintelas, Recent Advances in Clustering: A Brief Survey, WSEAS Transactions on Information Science and Applications, Vol 1, No 1 (73-81), 2004.
  • Richard O. Duda, Peter E. Hart, David G. Stork. Unsupervised Learning and Clustering, Ch. 10 in Pattern classification (2nd edition), p. 571, Wiley, New York, ISBN 0-471-05669-3, 2001.

另見[编辑]