无监督模型

⑴ 隐马尔科夫是无监督还是有监督的

网络 非监督学习里包括了隐马尔可夫

⑵ 信用评分模型是无监督还是有监督的

看依据什么模型，主要还是有监督多一些。

⑶ 人工神经网络提供透明的算法吗

人工神经网络，简称神经网络，是一种模仿生物神经网络的结构和功能的数学模型或者计算模型。其实是一种与贝叶斯网络很像的一种算法。

神经网络是一种方法，既可以用来做有监督的任务，如分类、视觉识别等，也可以用作无监督的任务。首先，我们看一个简单的例子。如下图所示（这个图网上有很多人引用了，但我找不到出处，欢迎指正），如果我们想训练一个算法可以使其识别出是猫还是狗，这是很简单的一个分类任务，我们可以找一条线（模型），在这个二元坐标中进行“一刀切”，把这两组数据分开。我们知道，在解析几何中，这条直线可以用如下的公式表达：

⑷ 常用的系统建模方法的适用范围和局限性

第一篇：方法适用范围
一、统计学方法
1.1 多元回归
1、方法概述：
在研究变量之间的相互影响关系模型时候，用到这类方法，具体地说：其可
以定量地描述某一现象和某些因素之间的函数关系，将各变量的已知值带入回归
方程可以求出因变量的估计值，从而可以进行预测等相关研究。

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

insking：500G程序化和量化交易视频分享
​
zhuanlan.hu.com

2、分类
分为两类：多元线性回归和非线性线性回归；其中非线性回归可以通过一
定的变化转化为线性回归，比如：y=lnx 可以转化为 y=u u=lnx 来解决；所以这
里主要说明多元线性回归应该注意的问题。
3、注意事项
在做回归的时候，一定要注意两件事：
（1） 回归方程的显著性检验（可以通过 sas 和spss 来解决）
（2） 回归系数的显著性检验（可以通过 sas 和spss 来解决）
检验是很多学生在建模中不注意的地方，好的检验结果可以体现出你模型的
优劣，是完整论文的体现，所以这点大家一定要注意。
4、使用步骤：
（1）根据已知条件的数据，通过预处理得出图像的大致趋势或者数据之间
的大致关系；
（2）选取适当的回归方程；
（3）拟合回归参数；
（4）回归方程显著性检验及回归系数显著性检验
（5）进行后继研究（如：预测等）
1.2 聚类分析
1、方法概述
该方法说的通俗一点就是，将 n 个样本，通过适当的方法（选取方法很多，
大家可以自行查找，可以在数据挖掘类的书籍中查找到，这里不再阐述）选取m
聚类中心，通过研究各样本和各个聚类中心的距离Xij，选择适当的聚类标准，
通常利用最小距离法（一个样本归于一个类也就意味着，该样本距离该类对应的
中心距离最近）来聚类，从而可以得到聚类结果，如果利用sas 软件或者spss 软
件来做聚类分析，就可以得到相应的动态聚类图。
这种模型的的特点是直观，容易理解。
2、分类
聚类有两种类型：
（1） Q 型聚类：即对样本聚类；
（2） R 型聚类：即对变量聚类；
通常聚类中衡量标准的选取有两种：
（1） 相似系数法
（2） 距离法
聚类方法：
（1） 最短距离法（2） 最长距离法
（3） 中间距离法
（4） 重心法
（5） 类平均法
（6） 可变类平均法
（7） 可变法
（8） 利差平均和法
在具体做题中，适当选区方法；
3、注意事项
在样本量比较大时，要得到聚类结果就显得不是很容易，这时需要根据背景
知识和相关的其他方法辅助处理。
4、方法步骤
（1）首先把每个样本自成一类；
（2）选取适当的衡量标准，得到衡量矩阵，比如说：距离矩阵或相似性矩
阵，找到矩阵中最小的元素，将该元素对应的两个类归为一类，
（3）重新计算类间距离，得到衡量矩阵
（4）重复第2 步，直到只剩下一个类；
补充：聚类分析是一种无监督的分类，下面将介绍有监督的分类。
1.3 数据分类
1、方法概述
数据分类是一种典型的有监督的机器学习方法，其目的是从一组已知类别的
数据中发现分类模型，以预测新数据的未知类别。这里需要说明的是：预测和分
类是有区别的，预测是对数据的预测，而分类是类别的预测。
2、分类方法：
（1）神经网路
（2）决策树（这里不再阐述，有兴趣的同学，可以参考数据挖掘和数据仓
库相关书籍）
3、注意事项
神经网路适用于下列情况的分类：
（1） 数据量比较小，缺少足够的样本建立数学模型；
（2） 数据的结构难以用传统的统计方法来描述
（3） 分类模型难以表示为传统的统计模型
神经网路的优点：
分类准确度高，并行分布处理能力强，对噪声数据有较强的鲁棒性和容
错能力，能够充分逼近复杂的非线性关系，具备联想记忆的功能等。
神经网路缺点：
需要大量的参数，不能观察中间学习过程，输出结果较难解释，会影响
到结果的可信度，需要较长的学习时间，当数据量较大的时候，学习速度会制约
其应用。