Skip to content

Machine Learning › 基礎概念 › 問題類型與學習範式

問題類型與學習範式 (Problem Types and Learning Paradigms) ​

選模型之前,先確認手上有什麼訊號(有沒有標籤)、需要什麼輸出。問題框錯,比模型選錯更難救。

學習範式 (Learning Paradigms) ​

範式訓練訊號例子
監督式 (supervised)已標註的 (X, y)由基因表現預測腫瘤亞型
非監督式 (unsupervised)只有 X單細胞資料分群找細胞類型
半監督式 (semi-supervised)少量標註 + 大量未標註少數人工標註的病理切片 + 大量未標註切片
自監督式 (self-supervised)從資料本身造出標籤(遮住一部分再預測)蛋白質語言模型(遮蔽胺基酸預測)、BERT
強化學習 (reinforcement learning)行動後的獎勵訊號分子設計、遊戲、機器人控制

問題類型 ​

類型輸出例子筆記
迴歸 (regression)連續值房價、藥物反應 IC50迴歸
分類 (classification)類別垃圾郵件、疾病 / 健康分類
排序 (ranking)項目的順序搜尋結果、候選藥物優先序推薦系統
分群 (clustering)群組顧客分群、細胞類型分群
降維 (dimensionality reduction)低維表示PCA、t-SNE 視覺化降維
異常偵測 (anomaly detection)異常分數詐欺、儀器異常異常偵測
時間序列預測 (forecasting)未來值下個月銷售時間序列

為什麼問題類型重要 ​

問題類型同時決定三件事:

決定例子
能用哪些模型分類不能直接用線性迴歸;排序問題用分類模型常不是最佳
資料怎麼切時間序列不能隨機切;同一病人的多筆資料要分組切
哪些指標有意義迴歸用 RMSE;不平衡分類不要只看 accuracy

預測目標、決策時間點、分析單位(病人?樣本?細胞?)有任何一個不清楚,就先不要調模型。見 問題定義。