從鳶尾花範例帶您了解深度學習(Deep Learning)、機器學習(Machine Learning)、規則為主方法(Rule-based Method)

鳶尾花分類介紹

鳶尾花細分會有不同種類，在機器學習常用的數據集裡面，就有鳶尾花數據集，裡面有不同鳶尾花的特徵以及相對應的類別。本篇文章舉的範例為假設我們今天有一些鳶尾花的樣本，我們想要用程式辨識到底這些樣本所屬的鳶尾花類別為何，我們將採用三種不同的方法也就是深度學習、機器學習、規則為主方法，來說明實現的方式。

方法介紹

首先深度學習的方法，是輸入圖片之後，像是卷積類神經網路，就會利用卷積、池化進行影像辨識，因此，模型就可以自動從圖片當中辨別特徵，然後透過大量數據進行學習。在這個方法裡，不用人為給定特徵，也不用人為去教模型學習，而是從數據當中，即可自動化進行學習。待模型建立完畢後，輸入圖片到模型中，就可辨別鳶尾花種類。

機器學習的做法，無法直接輸入圖片讓機器辨別特徵，必須要採用人為方式，樣本當中擷取特徵，進行特徵工程，舉例來說要把每一個鳶尾花的樣本，把這些花朵的花瓣長度與寬度等等特徵資訊取得之後，再讓機器從數據當中學習。

在預測的時候，每當我們預測新樣本，就需要針對新樣本在進行特徵工程，擷取特徵後，才能輸入這些特徵到模型當中進行預測，才能得到分類結果。

規則為主的方法，在建立方法的時候，需要先從鳶尾花樣本當中，擷取特徵像是取得花瓣長度、寬度等等訊息，待特徵取得完畢後，再觀察特徵與類別的關係，最終再用人為方式訂定判別規則。

在預測的時候，就是針對新樣本，取得特徵後，像是如果取得的特徵為花瓣長度為4，寬度為1，就將特徵輸入到我們方法當中做分類，依照我們規則分出來的方法，就是種類1。

綜合比較

1.針對深度學習而言，可自動辨別特徵，從數據當中去學習，一般而言所需的運算資源會最多。隨著數據量提升，精準度會提升最多，因此，又稱為大數據的方法。方法建立的前提，是需要有一定的數據量才能建立模型。

2.針對機器學習而言，需要從人為方式進行特徵工程，有特徵後，模型才能從數據當中學習。一般而言，耗費運算資源次之。隨著數據量提升，精準度提升的效果也是次之。方法建立的前提，是需要有一定的數據量才能學習。

3.針對規則為主方法，需要人為查找特徵也要訂出分類規則。一般而言耗費運算資源最低。隨著數據量增多，在方法規則不變的情況，不會改變精準度。方法建立的前提是少量數據也可以建立，因為主要是有規則有方法都可行。

[相似文章]:

1.Rule-based v.s. AI方法比較

2.規則為主的方法(rule-based method)是什麼? 與機器學習(machine learning)的差異為何?它們的應用場景是在哪裡?

[類神經網路基礎系列專文]:

1.類神經網路(Deep neural network, DNN)介紹

2.類神經網路—揭開網路架構調整秘辛

3.類神經網路—啟動函數介紹(一): 深入解析Relu與Sigmoid函數：如何影響類神經網路的學習效果？

4.類神經網路—啟動函數介紹(二): 回歸 vs. 分類: 線性函數與Tanh函數之原理探索

5.類神經網路—啟動函數介紹(三): 掌握多元分類的核心技術：不可不知的softmax函數原理

6.類神經網路—啟動函數介紹(四): 如何選擇最適當的啟動函數？用一統整表格讓您輕鬆掌握

7.類神經網路—前向傳播法

8.類神經網路—反向傳播法(一): 白話文帶您了解反向傳播法

9.類神經網路—反向傳播法(二): 淺談梯度

10.類神經網路—反向傳播法(三): 五步驟帶您了解梯度下降法

11.類神經網路—反向傳播法(四): 揭開反向傳播法神秘面紗

12.機器學習訓練原理大揭秘：六步驟帶您快速了解監督式學習的訓練方法

13.類神經網路—反向傳播法(五): 用等高線圖讓您對學習率更有感

[機器學習基礎系列專文]:

1.機器學習訓練原理大揭秘：六步驟帶您快速了解監督式學習的訓練方法

2.機器學習面臨的問題種類介紹:回歸與分類

[類神經網路延伸介紹]:

1.卷積類神經網路(Convolution neural network,CNN)介紹

2.遞迴類神經網路(Recurrent neural network,RNN)介紹

[ChatGPT系列專文]:

1.淺談最近非常火紅的ChatGPT背後可能原理機制為何?

2.從ChatGPT探索GPT的原理概念:少量數據的解方—遷移學習技巧