監督式、非監督式及強化式學習對於資料集劃分的差異 - Cupoy

2021/12/07 下午 01:21

機器學習概論

Yaoga

觀看數：75

回答數：1

收藏數：0

回答列表

• 2021/12/08 上午 10:56
  Tony White
  贊同數：0
  不贊同數：0
  留言數：2

  Hi Yaoga您好，對於您的問題回覆如下給您參考: 先講結論: 監督式學習一般都會劃分測試集與訓練集。 非監督式學習以及強化式學習，一般不需特別劃分。 ====以下是稍微細節的說明。====== 以目的性來說，監督式學習因為需要"預測"未知資料的結果，所以我們會希望將資料分訓練與測試集，讓模型學習以後能有資料能確認模型訓練的狀況。當然，你也可以不劃分訓練集與測試集，但是在模型訓練完以後你還是要另外找資料來做模型能力的確認。所以一般來說因為要訓練模型的資料筆數一般都會有一定數量，且都是經過特徵轉換後的結果(資料預處理)，所以直接拿既有資料做劃分會比較有效率確認模型的能力喔。 而非監督式學習，因為主要目的為"分類"或"分群"，也不用輸入標籤資料(即監督式學習的解答)，所以一般都會將所有資料一起做分類，就不用特別分訓練集與測試集喔。 至於強化式學習，由於主要是持續記錄代理人與"環境"，"行動"，"回饋值"以及"狀態"。以求能夠得到最高回饋值的結果。就好比說你今天玩瑪利歐兄弟，然後由電腦負責操控主角，然後持續用他的方式想辦法玩到破關一樣。所以通常都會持續在某種狀態下去做訓練的循環。一般來說也不用特別分測試集與訓練集喔。 以上說明，再請你參考嘍。