Увод у надгледано учење

Надзирано учење је подручје машинског учења у којем радимо на предвиђању вриједности помоћу обиљежених скупова података. Означени скупови улазних података називају се независна варијабла, док се предвиђени резултати називају зависна варијабла, јер за своје резултате зависе независна варијабла. На пример, сви имамо директоријум нежељене поште у налогу е-поште (нпр. Гмаил) који аутоматски открива већину нежељене поште / преваре са вама са тачношћу већом од 95%. Дјелује на основу надзираног модела учења гдје имамо сет тренинга с означеним подацима, који у овом случају означавају нежељену е-пошту коју су корисници означили. Ови сетови за обуку користе се за учење које ће се касније користити за категоризацију нових порука е-поште као нежељене поште ако одговарају категорији.

Рад на надгледаном машинском учењу

Да разумемо надзирано машинско учење уз помоћ примера. Рецимо да имамо корпу с воћем која је пуна различитих врста воћа. Наш посао је категоризирати воће на основу њихове категорије.

У нашем случају размотрили смо четири врсте воћа и то су јабука, банана, грожђе и наранџе.

Сада ћемо покушати да поменемо неке јединствене карактеристике ових плодова које их чине јединственим.

С Но.

 Величина Боја Облик

Име

1

 Мала Зелен Округла до овална, Склоп облика Цилиндрична

Грожђа

2

 Велики Црвено Заобљеног је облика са депресијом на врху

Аппле

3

 Велики Жута Дуги закривљени цилиндар

Банана
4 Велики Наранџасте Заобљеног облика

Наранџасте

Рецимо сада да сте побрали воће из корпе с воћем, погледали његове карактеристике, нпр. Његов облик, величину и боју, на пример, и закључили да је боја овог воћа црвена, величина ако је велика, облик је заобљеног облика, са депресијом на врху, па је тада јабука.

  • Исто тако, исто радите и са осталим преосталим воћем.
  • Крајњи десни ступац („име воћа“) познат је као варијабла одговора.
  • Овако формулирамо надгледани модел учења, сада ће било коме новом (рецимо роботу или ванземаљцу) бити лако уз групљена својства лако груписати исту врсту воћа заједно.

Врсте алгоритма надзираног машинског учења

Да видимо различите типове алгоритама машинског учења:

Регресија:

Регресија се користи за предвиђање излазне вриједности једне вриједности помоћу скупа података о тренингу. Излазна вредност се увек назива зависна варијабла, док су улази познати као независна варијабла. На пример, имамо различите врсте регресије у супервизираном учењу,

  • Линеарна регресија - Овде имамо само једну независну променљиву која се користи за предвиђање излазне, односно зависне променљиве.
  • Вишеструка регресија - Овде имамо више од једне независне променљиве која се користи за предвиђање излаза тј. Зависне променљиве.
  • Полиномна регресија - овде граф између зависних и независних променљивих следи полиномска функција. На пример, на пример, памћење се повећава са годинама, затим у одређеној доби достиже праг, а затим се смањује како старимо.

Класификација:

Класификација надзираних алгоритама учења користи се за груписање сличних објеката у јединствене класе.

  • Бинарна класификација - Ако алгоритам покушава да групира 2 различите групе класа, онда се назива бинарна класификација.
  • Класификација више класе - Ако алгоритам покушава груписати објекте у више од две групе, онда се то назива класификација више класа.
  • Снага - Алгоритми за класификацију обично раде врло добро.
  • Недостаци - склони су прекомерном уградњи и могу бити неспутани. На пример - Класификатор нежељене е-поште
  • Логистичка регресија / класификација - Кад је И варијабла бинарна категоријска (тј. 0 или 1), за предвиђање користимо Логистичку регресију. На пример - предвиђање да ли је нека трансакција кредитном картицом превара или не.
  • Наивни Баиесови класификатори - Наивни Баиесов класификатор заснован је на Баиесовој теореми. Овај алгоритам је обично најприкладнији када је димензионалност улаза велика. Састоји се од ацикличких графова који имају једног родитеља и мноштво дечијих чворова. Дечији чворови су независни један од другог.
  • Стабла одлучивања - Стабло одлука је графикон стабла попут структуре која се састоји од унутрашњег чвора (тест на атрибуту), гране која означава исход теста и чворова листа који представљају расподелу класа. Коренски чвор је највиши чвор. То је веома широко коришћена техника која се користи за класификацију.
  • Суппорт Вецтор Мацхине - Векторска машина за подршку је или СВМ обавља класификацију тако што проналази хиперплану која би требало да повећа максимум између 2 класе. Ове СВМ машине су повезане са функцијама језгре. Поља на којима се СВМс широко користи су биометрија, препознавање узорка итд.

Предности

Испод су неке од предности надгледаних модела машинског учења:

  1. Перформансе модела могу се оптимизовати корисничким искуствима.
  2. Надзирано учење даје резултате користећи претходна искуства, а такође вам омогућава прикупљање података.
  3. Надзорни алгоритми машинског учења могу се користити за имплементацију бројних проблема у стварном свету.

Недостаци

Недостаци супервизираног учења су следећи:

  • Напор у обуци надгледаних модела машинског учења може потрајати много времена ако је скуп података већи.
  • Класификација великих података понекад представља већи изазов.
  • Можда би се требало суочити са проблемима прекомерног опремања.
  • Потребно нам је пуно добрих примера ако желимо да модел успешно делује док тренирамо класификатор.

Добре праксе приликом израде модела учења

Добра је пракса приликом израде надгледаних модела машина за учење: -

  1. Пре израде било којег доброг модела машинског учења мора се извршити процес претходне обраде података.
  2. Морате одлучити алгоритам који би требало да буде најприкладнији за одређени проблем.
  3. Морамо одлучити која ће се врста података користити за сет тренинга.
  4. Потребно је одлучити о структури алгоритма и функције.

Закључак

У нашем чланку смо научили шта је под надзором учења и видели смо да овде тренирамо модел користећи обележене податке. Затим смо ушли у рад модела и њихових различитих врста. Коначно смо видели предности и недостатке ових надзираних алгоритама машинског учења.

Препоручени чланци

Ово је водич за оно што је надгледано учење ?. Овде смо расправљали о концептима, како то функционише, врстама, предностима и недостацима супервизираног учења. Можете и да прођете кроз друге наше предложене чланке да бисте сазнали више -

  1. Шта је дубоко учење
  2. Надзирано учење вс Дубоко учење
  3. Шта је синхронизација у Јави?
  4. Шта је веб хостинг?
  5. Начини креирања стабла одлука с предностима
  6. Полиномна регресија | Употребе и карактеристике

Категорија:

Велики података