而那些不照顾好自己的人不参加体

[account_disabled]

育运动也有一些共同的模式和特征。最后是找到彼此之间足够不同的群体。作为通过聚类技术。有一天我会给你写一篇关于它的文章不用担心。这就是无监督学习因为先验地您不知道如何对这些患者进行分组。您没有足够的有关组的信息。从出口处。你只是在寻找群体的迹象。您可以使用聚类技术来完成此操作而不是通过肉眼进行。你看到其中的窍门了吗无监督=您只有输入变量不知道输出。如何通过三个简单的例子来理解机器学习的思想我将尝试让您对我刚刚与您分享的内容有一个更实用的看法。算法的三个示例回归——作为监督技术分类——也作为一种监督技术聚类——作为一种无监督技术分类示例–监督问题–糖尿病类型分类。



想象一下您有患者数据的历史记录。您已经收集了有关血液检查特征（血糖水平等）的数据并且希望将所有这些经过医学诊断的患者分为两组第组–型糖尿病（不太严重）第组–型糖尿病（更严重）好的您可以用您的数据做什么您可以考虑创建一个分类器算法。在事先不知道您属于哪个糖尿病组的情况下……这可以让您计算出型糖尿病 阿根廷移动的电话数字 的概率和型糖尿病的概率。分类器机器学习模型的示例。应用检测两组糖尿病作为训练模型。输入血液测试变量输出定性变量（型或型）——也称为分类器类别利用从患者那里收集的数据您可以设计分类器算法调整其内部参数并将其用作分类器工具。这将是一个非常有趣的工具可以支持基于血液检测数据的诊断。






这意味着分类并将机器学习的概念应用于您的数据。回归示例–监督问题–预测工厂的产量回归与分类非常相似。它是一个监督模型。您有可用的出发数据。所发生的情况是这个输出不是一个群体（或属于一个群体的概率）而是一个定量变量。例如您想要创建一个能够预测工厂生产的工具并考虑以下因素工作时间工人数量故障每周平均更换多少零件……如果您是工厂经理您可能有兴趣找到一种工具能够根据您获得的变量让您了解工厂的生产情况。第一步是使用已有的数据训练模型。进进出出。有监督的机器学习示例–回归条目工作时间、工人数量、故障、平均每周更换多少零件……产出产量（制造的零件数量是定量的）您在过去一年中收集的数据。