Увод у врсте алгоритама машинског учења
Типови алгоритама за машинско учење или израчуни АИ су програми (математика и образложење) који се модификују како би имали боље резултате када су представљени додатним информацијама. „Прилагођавање“ неког дела АИ подразумева да ти пројекти после одређеног времена промене начин на који обрађују информације, исто колико и људи промене начин на који обрађују информације учењем. Дакле, машинско учење или АИ израчунавање је програм са одређеном методом за промену сопствених параметара, с обзиром на критика на његова очекивања која се односе на скуп прошлих изложби.
Све врсте алгоритама машинског учења
Њихове одређене сорте како окарактерисати врсте типова алгоритама машинског учења, али обично их се може поделити у класе према њиховој мотивацији, а основне класификације су пратеће:
- Надзирано учење
- Ненадзоровано учење
- Полу-под надзором учења
- Учење ојачања
Шта је супервизирано учење
Надзирано учење је место где можете сматрати да учење води инструктор. Имамо базу података која се користи као едукатор и њен посао је да припреми модел или машину. Кад се модел припреми, може започети слагање са ишчекивањем или избором када му се дају нове информације.
Пример надзираног учења:
- Добијате мноштво фотографија с подацима о томе шта се налази на њима, а након тога тренирате модел за перцепцију нових фотографија.
- Имате пуно података о цијенама кућа на основу њихове величине и локације те их уносите у модел и увјежбавате, а затим можете предвидјети цијене осталих кућа на основу података које храните.
- ако желите да предвидите да ли је ваша порука нежељена или не темељи се на старијој поруци, можете предвидети да је нова порука нежељена или не.
Надзирани алгоритам учења је како слиједи:
1) Линеарна регресија
линеарна регресија је корисна за откривање везе између два упорна фактора. Један је предиктор или аутономна променљива, а други је реакциона или променљива варијабла. Она тражи мерљив однос, али не детерминиран однос. Каже се да је веза између два фактора детерминистичка због шансе да једна варијабла може прецизно да комуницира друга. На пример, користећи температуру у степени Целзијуса, могуће је прецизно предвидети Фахренхеит. Чињенични однос није прецизан у одлучивању о повезаности два фактора. На пример, веза негде у опсегу висине и тежине. Средишња мисао је добити линију која најбоље одговара информацијама. Најприкладнија је она линија за коју се свеобухватна грешка прогнозе (сви фокусирања информација) чине онолико мало колико би се могло очекивати у датим околностима. Грешка је раздвајање тачке од регресијске линије.
2) Дрвеће одлучивања
Стабло одлуке је гадгет за помоћ у одлучивању који користи дијаграм или модел одлука сличних стаблу и њихове потенцијалне исходе, укључујући резултате случајности, догађаје, трошкове ресурса и корисност. Истражите слику да бисте добили осећај на шта подсећа.
3) Класификација Наиве Баиес-а
Наиве Баиес класификује групу основних вјероватно класификатора зависно од примјене Баиесове теорије са снажном (несофистицираном) самоуправом карактеристике Наиве Баиес. Ова класификација Неки од цертификованих модела су:
Да бисте е-пошту запечатили као нежељену пошту или не
Наручите вести о иновацијама, владиној проблематици или спорту
Проверите додир супстанце која преноси позитивне емоције или негативна осећања?
Користи се за програмирање препознавања лица.
4) Логистичка регресија
Логистичка регресија представља револуционарну чињеничну методу за демонстрирање биномног резултата са најмање једним информативним фактором. Квантификује везу између апсолутне варијабле чувара и најмање једног слободног фактора проценом вероватноћа користећи логистички капацитет, што је комбиновано логистичко присвајање.
Нормално, регресије ће се употребити у стварном животу као што су:
Цредит Сцоре
Мера успешности тржишта или компаније
Предвиђање прихода било које компаније или било којег производа
Да ли ће било ког дана доћи до земљотреса?
5) регресија обичних најмањих квадрата
Најмање квадрата је стратегија за извођење директне регресије. директна регресија је подухват постављања линија кроз пуно фокусирања. Постоје различити потенцијални поступци да се то постигне, а систем „обичних најмањих квадрата“ иде овако: Можете нацртати линију, а након тога за све центре података измерити вертикално одвајање између тачке и линије и укључити их горе; постављена линија би била мјесто на којем би овај скуп партиција био толико благ, колико би то могло бити нормално у свјетлу тренутне ситуације.
Шта је неконтролисано учење?
Модел учи кроз перцепцију и открива структуре у информацијама. Када модел добије скуп података, он после тога открива примере и везе у скупу података правећи гомиле у њему. Оно што не може учинити је додати трагове у грозд, слично он не може навести ово скуп јабука или манга, међутим, изолираће сваку од јабука од манга.
Претпоставимо да смо моделу приказали слике јабука, банана и манга, па оно што чини, у светлу одређених примера и веза чини гомиле и подељује скуп података у те групе. Тренутно ако се на моделу појачају неке друге информације, додају га једној од направљених група.
Пример неконтролисаног учења
- Имате пуно фотографија 6 појединаца, а без података о томе ко је на коме и морате изоловати овај скуп података у 6 група, од којих свака има фотографије једне особе.
- Имате честице, део њих је лек, а део није, међутим, не схватате који ће бити и за израчунавање лекова вам је потребна рачуница.
Непрегледани алгоритам учења је следећи
Кластерирање
Кластерирање је значајна идеја која се тиче учења без помоћи. Највећим делом успева да нађе структуру или пример у прикупљању некатегорисаних информација. Израчуни кластерирањем ће обрадити ваше податке и открити карактеристичне кластере (групе) у случају да постоје у информацијама. Такође можете да промените који број гомила треба да разликује. Омогућује вам да промените грануларност ових скупова.
Постоје различите врсте кластерирања које можете користити
- Селективно (подела)
- Модел: К-значи
- Агломеративе
- Модел: Хијерархијско групирање
- Покривање
- Модел: Фуззи Ц-Меанс
- Вероватно
Типови алгоритама кластерирања
- Хијерархијско групирање
- К-значи групирање
- К-НН (к најближи суседи)
- Главни анализа компоненти
- Декомпозиција солитарне вредности
- Анализа независних компоненти
- Хијерархијско кластерирање
Хијерархијско кластерирање
Хијерархијско групирање је израчунавање које конструише кључни редослед група. Све започиње са сваком од информација које се доносе до њихове сопствене групе. Овде ће две блиске групе бити у сличној гомили. Ово израчунавање се затвара када је преостала само једна група.
К-значи кластерирање
К значи да је итеративни израчун кластера који вас подстиче да пронађете најважнији подстицај за сваки нагласак. У почетку се бира идеалан број група. У овој техници групирања морате скупити информације које су усредсређене на к окупљања. Већи к значи и мање окупљања са већом зрнатошћу на сличан начин. Нижи к значи већа окупљања са мање зрнатости.
Принос израчуна је скуп "имена". Омогућава информацију да укаже на једно од к скупова. У к-значењу кластера, за свако окупљање се карактерише стварање центроида за свако окупљање. Центроиди су попут језгре гомиле, која хвата фокус који им је најближи и додаје их у групу.
К-средње кластерирање даље карактерише две подгрупе
- Агломеративно удруживање
- Дендрограм
Агломеративно удруживање
Ова врста К-значи групирања почиње са фиксним бројем гроздова. Означава све информације у тачан број група. Ова стратегија групирања не захтева број група К као информације. Поступак агломерације започиње обликовањем сваког датума као усамљена гомила.
Ова стратегија користи одређену меру раздвајања, смањујући број гроздова (по један у сваком нагласку) комбиновањем процеса. Закључно, имамо једну велику групу која садржи сваки од чланака.
Дендрограм
У техници групирања Дендрограм, сваки ниво ће говорити са могућом гомилом. Висина дендрограма показује степен сличности између две гроздове спајања. Што се више приближавају бази поступка, они су прогресивно упоредиви низ који је скуп са дендрограма који није карактеристичан и већим делом апстрактан.
Најближи суседи
К-најближи комшија је најјаснији од свих АИ класификатора. Она се разликује од осталих АИ поступака по томе што не испоручује модел. То је израчунат израчун који чува сваки доступни случај и карактеризира нове примјере овисно о мјери личности.
Врло добро функционише када постоји раздвајање између модела. Стопа учења је умерена када је сет припрема огроман, а раздвајање је нетривијално.
Анализа главних компоненти
Од вероватноће да вам је потребан простор веће димензије. Морате изабрати разлог за тај простор и само 200 најзначајнијих резултата те премисе. Ова база је позната као главна компонента. Подскуп који одаберете садржи још један простор мале величине који је контрастиран јединственим простором. Међутим, задржава много вишеструке природе информација као што се могло очекивати.
Шта је појачано учење?
Капацитет је стручњака да сарађује са земљом и открива који је најбољи резултат. Оно следи идеју о ударној и прелиминарној техници. Оператор се награђује или кажњава са бодом за тачан или неоснован одговор, а на основу позитивног фокуса награђивања који је сам изабрао. Такође се, након што се једном припреми, припреми за предвиђање нових информација које су јој уведене.
Пример учења ојачања
- Приказивање огласа према кориснику попут негативних негација оптимизује се на дужи период
- Знајте буџет огласа који се користи у реалном времену
- инверзно појачање учити како боље знати купце као да им се не свиђа
Шта је учење под надзором?
Полунадзирана врста учења, израчунавање се припрема на основи комбинације именованих и неозначених информација. Обично ће ова мешавина садржавати ограничену количину именованих информација и пуно необиљежених информација. Темељна метода укључена је да прво, софтверски инжењер ће груписати упоредне информације користећи непомоћни прорачун учења, а затим ће користити тренутне именоване информације да би именовао остатак необележених информација. Случајеви уобичајене употребе такве врсте израчуна имају типично својство међу њима - Добијање необележених информација је углавном скромно, док је именовање наведених информација прескупо. Наравно, три врсте израчуна учења могу се замислити као надгледано схватајући где је предстечај под надзором инструктора и у школи и у школи, а ненадзоран када се схвати где предодређени треба да има смисла за саму идеју, а полу-супервизор схватајући где васпитач у пару показује пар идеја и поставља упите као школски рад који зависи од упоредивих идеја.
Пример учења под надзором
Изузетно је да више информација = квалитетнији модели дубоког учења (до одређене тачке затвора јасно, али чешће од тога немамо толико информација.) Било како било, добијање обележених информација је скупо. У случају да вам је потребно да припремите модел који ће разликовати крилате животиње, можете поставити пуно камера како бисте после тога сликали кокоши. То је генерално скромно. Уговарање појединаца за обележавање тих фотографија је скупо. Размислите о могућности да имате огроман број слика крилатих животиња, међутим само уговорите појединце да обележе мало подгрупа фотографија. Као што се испоставило, уместо да једноставно обучавате моделе на обележеном подскупу, модел можете унапред тренирати на читавом скупу тренинга, пре него што га повезујете са именованим подскупом и показујете знакове извршења побољшања дуж ових линија. То је учење под надзором. Поставља вам новац.
Закључак
Постоји много врста алгоритма машинског учења и на основу различитих и различитих услова морамо користити алгоритам најбољег прилагођавања за најбољи резултат. Постоји много алгоритама који проналазе најбољу тачност свих врста алгоритама за машинско учење и која је највећа тачност коју морамо да користимо. Можемо смањити грешку сваког алгоритма смањујући буку података. За крај ћу рећи да не постоји ниједан алгоритам машинског учења који би вам могао дати стопостотну тачност чак и људски мозак не може то учинити па пронађите најбољи алгоритам јеле за своје податке.
Препоручени чланци
Ово је водич за Врсте алгоритама машинског учења. Овде смо расправљали о томе шта је алгоритам машинског учења ?, а његове врсте укључују надгледано учење, неконтролирано учење, учење под надзором, учење појачања. Такође можете погледати следеће чланке да бисте сазнали више -
- Методе машинског учења
- Библиотеке машинског учења
- Модели машинског учења
- Оквири машинског учења
- Машинско учење хиперпараметра
- Хијерархијско кластерирање | Агломеративно и подељено кластерирање
- Креирај стабло одлука | Како креирати | Предности
- Животни циклус машинског учења | Топ 8 фаза