無監督模型

⑴ 隱馬爾科夫是無監督還是有監督的

網路 非監督學習里包括了隱馬爾可夫

⑵ 信用評分模型是無監督還是有監督的

看依據什麼模型，主要還是有監督多一些。

⑶ 人工神經網路提供透明的演算法嗎

人工神經網路，簡稱神經網路，是一種模仿生物神經網路的結構和功能的數學模型或者計算模型。其實是一種與貝葉斯網路很像的一種演算法。

神經網路是一種方法，既可以用來做有監督的任務，如分類、視覺識別等，也可以用作無監督的任務。首先，我們看一個簡單的例子。如下圖所示（這個圖網上有很多人引用了，但我找不到出處，歡迎指正），如果我們想訓練一個演算法可以使其識別出是貓還是狗，這是很簡單的一個分類任務，我們可以找一條線（模型），在這個二元坐標中進行「一刀切」，把這兩組數據分開。我們知道，在解析幾何中，這條直線可以用如下的公式表達：

⑷ 常用的系統建模方法的適用范圍和局限性

第一篇：方法適用范圍
一、統計學方法
1.1 多元回歸
1、方法概述：
在研究變數之間的相互影響關系模型時候，用到這類方法，具體地說：其可
以定量地描述某一現象和某些因素之間的函數關系，將各變數的已知值帶入回歸
方程可以求出因變數的估計值，從而可以進行預測等相關研究。

insking：大量mc，tb，ea策略源代碼
​
zhuanlan.hu.com

insking：500G程序化和量化交易視頻分享
​
zhuanlan.hu.com

2、分類
分為兩類：多元線性回歸和非線性線性回歸；其中非線性回歸可以通過一
定的變化轉化為線性回歸，比如：y=lnx 可以轉化為 y=u u=lnx 來解決；所以這
里主要說明多元線性回歸應該注意的問題。
3、注意事項
在做回歸的時候，一定要注意兩件事：
（1） 回歸方程的顯著性檢驗（可以通過 sas 和spss 來解決）
（2） 回歸系數的顯著性檢驗（可以通過 sas 和spss 來解決）
檢驗是很多學生在建模中不注意的地方，好的檢驗結果可以體現出你模型的
優劣，是完整論文的體現，所以這點大家一定要注意。
4、使用步驟：
（1）根據已知條件的數據，通過預處理得出圖像的大致趨勢或者數據之間
的大致關系；
（2）選取適當的回歸方程；
（3）擬合回歸參數；
（4）回歸方程顯著性檢驗及回歸系數顯著性檢驗
（5）進行後繼研究（如：預測等）
1.2 聚類分析
1、方法概述
該方法說的通俗一點就是，將 n 個樣本，通過適當的方法（選取方法很多，
大家可以自行查找，可以在數據挖掘類的書籍中查找到，這里不再闡述）選取m
聚類中心，通過研究各樣本和各個聚類中心的距離Xij，選擇適當的聚類標准，
通常利用最小距離法（一個樣本歸於一個類也就意味著，該樣本距離該類對應的
中心距離最近）來聚類，從而可以得到聚類結果，如果利用sas 軟體或者spss 軟
件來做聚類分析，就可以得到相應的動態聚類圖。
這種模型的的特點是直觀，容易理解。
2、分類
聚類有兩種類型：
（1） Q 型聚類：即對樣本聚類；
（2） R 型聚類：即對變數聚類；
通常聚類中衡量標準的選取有兩種：
（1） 相似系數法
（2） 距離法
聚類方法：
（1） 最短距離法（2） 最長距離法
（3） 中間距離法
（4） 重心法
（5） 類平均法
（6） 可變類平均法
（7） 可變法
（8） 利差平均和法
在具體做題中，適當選區方法；
3、注意事項
在樣本量比較大時，要得到聚類結果就顯得不是很容易，這時需要根據背景
知識和相關的其他方法輔助處理。
4、方法步驟
（1）首先把每個樣本自成一類；
（2）選取適當的衡量標准，得到衡量矩陣，比如說：距離矩陣或相似性矩
陣，找到矩陣中最小的元素，將該元素對應的兩個類歸為一類，
（3）重新計算類間距離，得到衡量矩陣
（4）重復第2 步，直到只剩下一個類；
補充：聚類分析是一種無監督的分類，下面將介紹有監督的分類。
1.3 數據分類
1、方法概述
數據分類是一種典型的有監督的機器學習方法，其目的是從一組已知類別的
數據中發現分類模型，以預測新數據的未知類別。這里需要說明的是：預測和分
類是有區別的，預測是對數據的預測，而分類是類別的預測。
2、分類方法：
（1）神經網路
（2）決策樹（這里不再闡述，有興趣的同學，可以參考數據挖掘和數據倉
庫相關書籍）
3、注意事項
神經網路適用於下列情況的分類：
（1） 數據量比較小，缺少足夠的樣本建立數學模型；
（2） 數據的結構難以用傳統的統計方法來描述
（3） 分類模型難以表示為傳統的統計模型
神經網路的優點：
分類准確度高，並行分布處理能力強，對雜訊數據有較強的魯棒性和容
錯能力，能夠充分逼近復雜的非線性關系，具備聯想記憶的功能等。
神經網路缺點：
需要大量的參數，不能觀察中間學習過程，輸出結果較難解釋，會影響
到結果的可信度，需要較長的學習時間，當數據量較大的時候，學習速度會制約
其應用。