¿Cuáles son los modelos comúnmente utilizados en la minería de datos?
El modelo de aprendizaje supervisado, que a menudo llamamos clasificación, utiliza muestras de entrenamiento existentes (es decir, datos conocidos y su resultado correspondiente) para el entrenamiento. Obtenga un modelo óptimo y luego utilícelo. modelo para asignar todas las entradas a las salidas correspondientes y realizar juicios simples sobre las salidas para lograr el propósito de clasificación. También tiene la capacidad de clasificar datos desconocidos.
2. Modelo de aprendizaje no supervisado
En el aprendizaje no supervisado, los datos no se identifican específicamente y el modelo de aprendizaje infiere alguna estructura interna de los datos. Los escenarios de aplicación incluyen reglas de asociación y aprendizaje de agrupación.
3. Aprendizaje semisupervisado
Los algoritmos de aprendizaje semisupervisado requieren que algunos datos de entrada sean reconocidos y otros no. Este tipo de modelo de aprendizaje se puede utilizar para la predicción, pero el modelo primero debe aprender la estructura interna de los datos para poder organizar razonablemente los datos para la predicción. Los escenarios de aplicación incluyen clasificación y regresión, y los algoritmos incluyen algunas extensiones de los algoritmos de aprendizaje supervisado comúnmente utilizados. Estos algoritmos primero intentan modelar datos sin etiquetar y luego hacer predicciones sobre datos etiquetados.
¿Cuáles son los modelos comúnmente utilizados en minería de datos? El editor de Qingteng los compartirá con usted aquí. Si está interesado en la ingeniería de big data, espero que este artículo le resulte útil. Si desea obtener más información sobre las habilidades y materiales de los analistas de datos y los ingenieros de big data, puede hacer clic en otros artículos de este sitio web para obtener más información.
¿Cuáles son los modelos comúnmente utilizados para la minería de datos que comparte el editor? Para obtener más información, puede seguir a Global Ivy para compartir más información detallada.