非监督分类 电子科技大学 师君
电子科技大学 师 君
学习策略 ,学习策略 。监督分类 ·利用“充足”的样本和与之对应的类属信息进行网络训练。 ·充足：各类特征（概率密度函数）由样本点精确表征， ·研究主要关注网络结构和训练过程，使得网络能够反映样 本所蕴含的类属特征
学习策略 ◦ 监督分类 利用“充足”的样本和与之对应的类属信息进行网络训练。 充足：各类特征(概率密度函数)由样本点精确表征， 研究主要关注网络结构和训练过程，使得网络能够反映样 本所蕴含的类属特征
学习策略 类1 ,学习策略 。非监督分类/半监督分类 ·只有少量/没有样本类属信息。 ·少量样本（或初始参数）能反映部分类属特征，但表征不全 面，需要通过在无标签样本集上“合理扩张”（具有“主 观”性)，产生与期望一致的类属表征。 ·通过“伪标签”、数据扩增、“一致性准则”等机制合理 扩展训练样本集
学习策略 ◦ 非监督分类/半监督分类 只有少量/没有样本类属信息。 少量样本(或初始参数)能反映部分类属特征，但表征不全 面，需要通过在无标签样本集上“合理扩张”（具有“主 观”性），产生与期望一致的类属表征。 通过“伪标签”、数据扩增、“一致性准则”等机制合理 扩展训练样本集。 类 1
学习策略 ,非监督分类一一不唯一性 。监督分类 ·以已知类属信息作为评价标准评估分类性能优劣 。非监督分类 ·按照“某特性”对样本进行划分，不同的划分反映处样本 不同维度的特性。 。发现特征 ·对事物多角度的划分，往往能更全面的反映事物的特性
非监督分类——不唯一性 ◦ 监督分类 以已知类属信息作为评价标准评估分类性能优劣 ◦ 非监督分类 按照“某特性”对样本进行划分，不同的划分反映处样本 不同维度的特性。 ◦ 发现特征 对事物多角度的划分，往往能更全面的反映事物的特性
学习策略 性别、职业、年龄段、籍贯 等维度对人进行划分 ,非监督分类一一不唯一性
非监督分类——不唯一性 性别、职业、年龄段、籍贯 等维度对人进行划分