首页
非监督式学习就是从以往经验中去不断学习来获取知识，不需要大量已标记的确定标签。
精华吧
→
答案
→
网课
非监督式学习就是从以往经验中去不断学习来获取知识，不需要大量已标记的确定标签。
正确答案：错误
Tag：
标记
标签
经验
时间：2024-04-17 10:41:46
上一篇：
强化学习是通过反馈来自我进行“学习”，不需要大量已标记的确定标签。
下一篇：
监督式学习只需要有标记的训练样本去学习得到一个最优模型。
相关答案
1.
分类通过有标记样本训练出一个分类函数或分类模型，该模型能把训练样本以外的新样本映射到给定类别中的某一类中，属于有监督学习。
2.
回归是通过拟合有标记样本的分布得到一条直线或者超平面，从而对新样本进行预测，属于有监督学习。
3.
聚类是通过一定方法使得相似的样本划分为一个簇，不同簇的样本尽可能不相似，属于无监督学习。
4.
所有的聚类算法都属于有监督学习。
5.
特征工程是机器学习的关键步骤。
6.
特征工程是一个创造新特征的过程，利用数据领域的知识创建使机器学习算法达到最佳性能的特征。
7.
在对人的性别进行分类的模式分类问题中，特征提取与选择的好坏将直接决定分类器的性能。
8.
数据清洗主要是对原始数据进行规整化，目标是使得数据能够满足模型处理的数据格式。
9.
在实际场景中，我们获取的数据或多或少可能存在缺失的情况，这时我们需要对缺失数据进行相应处理。
10.
在完成数据清洗之后，我们需要进行特征预处理，包括归一化、标准化、中心化。
热门答案
1.
在犬种区分任务中，我们可以通过耳朵大小、体型大小、眼睛颜色和毛长等特征来区分不同种类的狗。
2.
在犬种区分任务中，我们可以通过毛色特征来区分不同种类的狗。
3.
在犬种区分任务中，我们需要对特征值进行无量纲化处理，才能将不同规格的数据转换到同一规格。
4.
在犬种区分任务中，特征值存在量纲不同以及分类离散特征，无法直接计算。
5.
特征工程是利用数据领域的知识创建使机器学习算法达到最佳性能的特征的过程。
6.
特征工程的核心是通过X，创造新的X。
7.
特征的好坏将直接决定模型的性能!
8.
假如我们有一个机器学习系统需要对人的性别进行分类，这属于经典的模式分类问题。
9.
获取到数据之后首先我们需要做数据清洗。
10.
在完成数据清洗之后，我们需要进行特征预处理。