云台壹号简述金融科技中的监督学习和非监督学习云台壹号金融事业部相关人士

云台壹号金融事业部相关人士表示，在金融科技中，机器学习模型通常可以分为监督学习、非监督学习和深度学习模型三种。
金融科技中的的监督学习
监督学习（supervised learning）的输出数据是被“监督的” ，即输出数据的分类是实现确定打上标签（label）的。例如，我们根据各地的房源数据来预测未来的房价趋势。其中，输入变量可以为房子面积、地段、是否带电梯等，输出变量为“上涨”、“下降” 。因此，要用监督学习类的算法来进行预测。
文章插图
【云台壹号简述金融科技中的监督学习和非监督学习】云台壹号最新技术报告透露，判断债券是否会违约，也可以使用监督学习的算法。
金融科技中的非监督学习
云台壹号认为，与监督学习相反，非监督学习（unsupervised learning）的输出变量，没有被事先打上标签。例如，我们可以在笔记识别技术中，打上非监督学习的算法。这是输入变量可以是千百万人的笔迹，而输出变量的分类并没有事先给定。计算机会根据笔迹输入数据的不同特征，将其自行归类。
深度学习算法（deep learning）同时运用了监督与非监督学习的算法。现在比较流行的深度学习模型是神经网络模型（neural networks）。神经网络模型在上世纪50年代就已经诞生，被广泛运用于各个领域。
文章插图
金融科技中的神经网络
云台壹号明确指出神经网络算法的基本思想是，模拟人脑神经元对信息的处理方式。神经网络由神经元（也称节点）构成，不同神经元相互连接，传递信息。每个神经元都对应一个输出函数，并被赋予相应权重，用于处理输入信息。
当神经元收到输入信息时，会根据输出函数计算出输出值。如果输出值超过事先确定的阈值，该神经则会被激活并向下一个神经元传递信息。 “输出值神经元的层级数越多，则模型越复杂，这些层级相当于隐藏层（hidden layer），也就是通常说的黑箱。 ”云台壹号相关负责人如是说。
文章插图