Вступ до контрольованого навчання

Контрольоване навчання - це область машинного навчання, де ми працюємо над прогнозуванням значень за допомогою мічених наборів даних. Мічені набори вхідних даних називаються незалежною змінною, тоді як прогнозовані результати називаються залежною змінною, оскільки вони залежать від незалежної змінної для своїх результатів. Наприклад, у нас у папці електронної пошти (наприклад, Gmail) є папка спаму, яка автоматично виявляє для вас більшість електронних листів зі спамом / шахрайством з точністю понад 95%. Це працює на основі наглядової моделі навчання, де ми маємо навчальний набір мічених даних, який у цьому випадку є міткою спаму, позначеного користувачами. Ці навчальні набори використовуються для вивчення, які згодом будуть використані для категоризації нових електронних листів як спаму, якщо вони відповідають категорії.

Робота над контрольованим машинним навчанням

Давайте розберемося під контролем машинного навчання за допомогою прикладу. Скажімо, у нас є кошик з фруктами, який наповнений різними видами фруктів. Наша робота - класифікувати фрукти за їх категорією.

У нашому випадку ми розглянули чотири види фруктів, і це яблуко, банан, виноград та апельсини.

Зараз ми спробуємо згадати деякі унікальні характеристики цих фруктів, які роблять їх унікальними.

S Ні.

 Розмір Колір Форма

Ім'я

1

 Маленький Зелений Кругла до овальної форми, Пучок форми циліндричний

Виноград

2

 Великий Червоний Закруглена форма з западиною вгорі

Apple

3

 Великий Жовтий Довгий вигнутий циліндр

Банан
4 Великий Помаранчевий Закруглена форма

Помаранчевий

Тепер скажемо, що ви зібрали фрукти з кошика з фруктами, ви подивилися на його особливості, наприклад, наприклад, його форму, розмір та колір, а потім виведете, що колір цього фрукта червоний, розмір, якщо великий, форма округлої форми з депресією вгорі, отже, це яблуко.

  • Так само ви робите те ж саме і для всіх інших фруктів, що залишилися.
  • Крайній правий стовпець ("Назва фрукта") називається змінною відповіді.
  • Ось як ми формулюємо контрольовану модель навчання, тепер будь-кому новому (скажімо, роботові чи прибульцю) буде досить легко легко згрупувати один і той же тип фруктів разом.

Типи алгоритму контрольованого машинного навчання

Давайте подивимось різні типи алгоритмів машинного навчання:

Регресія:

Регресія використовується для прогнозування виходу одного значення за допомогою набору навчальних даних. Вихідне значення завжди називається залежною змінною, тоді як входи відомі як незалежна змінна. У нас є різні типи регресії в контрольованому навчанні, наприклад,

  • Лінійна регресія - Тут ми маємо лише одну незалежну змінну, яка використовується для прогнозування виходу, тобто залежної змінної.
  • Множинна регресія - Тут у нас є більше однієї незалежної змінної, яка використовується для прогнозування виходу, тобто залежної змінної.
  • Поліноміальна регресія - Тут графік між залежною та незалежною змінними слід за поліноміальною функцією. Наприклад, спочатку пам'ять збільшується з віком, потім вона досягає порогу в певному віці, а потім починає зменшуватися, коли ми старіємо.

Класифікація:

Класифікація керованих алгоритмів навчання використовується для групування подібних об'єктів в унікальні класи.

  • Бінарна класифікація - Якщо алгоритм намагається згрупувати 2 окремі групи класів, то його називають бінарною класифікацією.
  • Класифікація багатокласових - Якщо алгоритм намагається об'єднати об'єкти у більш ніж 2 групи, то його називають багатокласовою класифікацією.
  • Міцність - Алгоритми класифікації зазвичай працюють дуже добре.
  • Недоліки - схильні до надмірного оздоблення і можуть бути невимушеними. Наприклад - Класифікатор спаму електронної пошти
  • Логістична регресія / класифікація - Коли змінна Y є двійковою категорією (тобто 0 або 1), ми використовуємо логістичну регресію для прогнозування. Наприклад, прогнозування, чи є операція з кредитною карткою шахрайством чи ні.
  • Класифікатори Naive Naes - класифікатор Naive Naes базується на теоремі Байєса. Цей алгоритм, як правило, найкраще підходить, коли розмірність входів висока. Він складається з ациклічних графіків, які мають одного батьківського та багатьох дитячих вузлів. Дочірні вузли незалежні один від одного.
  • Дерева рішень - Дерево рішень - це структура дерева як структура, що складається з внутрішнього вузла (тест на атрибут), гілка якого позначає результат тесту та листкових вузлів, що представляють розподіл класів. Кореневий вузол - це самий верхній вузол. Це дуже широко застосовувана методика, яка використовується для класифікації.
  • Векторна машина підтримки - це векторна машина підтримки або SVM виконує завдання класифікації шляхом пошуку гіперплану, який повинен максимально збільшувати запас між двома класами. Ці машини SVM підключені до функцій ядра. Поля, де широко використовуються SVM, - це біометрика, розпізнавання візерунків тощо.

Переваги

Нижче наведено деякі переваги керованих моделей машинного навчання:

  1. Продуктивність моделей може бути оптимізована користувачем.
  2. Контрольоване навчання дає результати, використовуючи попередній досвід, а також дозволяє збирати дані.
  3. Керовані алгоритми машинного навчання можуть бути використані для реалізації ряду реальних проблем.

Недоліки

Недоліками контрольованого навчання є:

  • Зусилля для навчання моделей машинного навчання під керівництвом можуть зайняти багато часу, якщо набір даних більший.
  • Класифікація великих даних іноді представляє більшу проблему.
  • Можливо, доведеться зіткнутися з проблемами надмірного оснащення.
  • Нам потрібно багато хороших прикладів, якщо ми хочемо, щоб модель добре працювала під час підготовки класифікатора.

Хороші практики при розробці моделей навчання

Це хороша практика при створенні контрольованих моделей навчальних машин: -

  1. Перш ніж будувати будь-яку хорошу модель машинного навчання, слід виконати процес попередньої обробки даних.
  2. Треба визначити алгоритм, який найкраще підходить для даної проблеми.
  3. Нам потрібно вирішити, який тип даних буде використовуватися для навчального набору.
  4. Необхідно визначити структуру алгоритму та функції.

Висновок

У нашій статті ми дізналися, що таке контрольоване навчання, і ми побачили, що тут ми тренуємо модель, використовуючи мічені дані. Потім ми перейшли до роботи моделей та їх різних типів. Ми нарешті побачили переваги та недоліки цих керованих алгоритмів машинного навчання.

Рекомендовані статті

Це керівництво щодо того, що таке контрольоване навчання ?. Тут ми обговорюємо поняття, як це працює, типи, переваги та недоліки контрольованого навчання. Ви також можете ознайомитися з іншими запропонованими нами статтями, щоб дізнатися більше -

  1. Що таке глибоке навчання
  2. Контрольоване навчання проти глибокого навчання
  3. Що таке синхронізація в Java?
  4. Що таке веб-хостинг?
  5. Способи створення дерева рішень з перевагами
  6. Поліномна регресія | Використання та функції

Категорія:

Великі дані