2.7 无监督参数学习
无监督参数学习本质上是对数据进行分类，但是在数据分类之前已经对该数据有一定的标记。比如淘金，我们首先要用振动筛将大块的石头和金沙分开，然后用流水冲洗金沙，金子密度大，就会在分拣器中留下来，这就是淘金的过程。在这个过程中，我们需要用到合适的筛眼和振动频率和幅度，筛眼过大，会使得太多石头会留在筛选带上，筛眼过小，会让金子也被丢弃。另一方面，振动筛的振动频率和振幅也要合理设计，如果设计不合理，就无法有效分离泥沙和金子。最后，我们也需要合适的流水速度，水流速度过大，也会将金子冲走，水流速度过小，会将大量的泥沙留在分拣器中。所以在分类泥沙，石头和金子的混合物时，我们需要有合适的振动，合适的筛子，合适的流水速度。振动，筛子，流速，就是三个可以转动的旋钮，最终通过搜寻相应旋钮的相应参数（即设置参量数值），就可以有效地淘到黄金。
2.8 非参数学习
参数不确定的学习目前不是本课程的关注点，在这类学习算法里，数据的内在结构并不清楚。这些结构的个数无法事前就确定，我们获得的数据本身就意义不明确，它的特征对于我们来说，就是一个黑匣子。所以我们可能会使用一系列的方法来筛选出特征来。比如，在信号精细处理过程中，我们可以用小波变换或者压缩感知来将噪声中的特征信号过滤出来，然后根据这些特征信号来进行学习。如果我们不使用过滤这一个过程，那么数据就是非常浑浊的脏数据，它会大大影响学习的效率。在数据过滤这个过程中，参数完全是未知的。类似这种学习算法，在某些特别的领域，它们的作用也非常强大。
网友评论