Автор оригинала: Shubham Sayon.
Алгоритмы обучения машины могут быть организованы на четыре типа:
- Контролируемое обучение
- Неповторимое обучение
- Полукодзированное обучение
- Учебное обучение
В этой статье мы погрузимся в контролируемое и безоговорочное обучение.
Введение в руководящее обучение
В надзоренном обучении образец маркированных данных подается в модель машинного обучения, чтобы обучить ее, основываясь на которой он прогнозирует окончательный результат. Следовательно, надзорное обучение позволяет нам создать модель с использованием меченных данных, которые читают наборы данных и изучают каждую функцию набора данных. После завершения обучения и обработки модель проверяется с помощью данных образца для проверки его эффективности прогнозирования вывода на будущие данные. Таким образом, Целью контролируемого обучения является соположение входных данных в выходные данные Отказ
Проще говоря, надзорное обучение – это техника обучения машины, основанная на надзоре, как ученика, который учится под наблюдением учителя.
Определение
Контролируемое обучение это Машинное обучение Задача Обучение Функция, которая отображает вход на вывод на основе примеров пар ввода-вывода. Он активирует функцию от маркировки Обучение данные, состоящие из набора Обучение Примеры.
Пример: Email Спам-фильтрация, детектирование мошенничества, классификация изображений, оценка риска и т. Д.
Принцип работы надзора
- А помеченный набор данных используется для обучения модели в контролируемом обучении. Модель узнает о каждом виде данных, использующих меченый набор данных.
- После завершения фазы тренировок модель тогда проверено Для его точности и эффективности предсказать выходные данные на основе тестовых данных/ Тестовый набор который является подмножеством учебного набора
Давайте посмотрим на схематическое представление, приведенное ниже, чтобы понять, как работает над руководством обучения.
В приведенном выше примере у нас есть набор данных различных типов животных, которые включают лев, крыса и собаку. Теперь первый шаг в том, что нам нужно тренировать модель для каждого типа животных. На основании формы животного они помечены как Лев, крыса, и Собака Отказ После тренировки модели это тестируется с использованием тестового набора, а задача модели состоит в том, чтобы предсказать тип прилагаемого ему животного. Таким образом, машина предварительно обучена всем типам животных, и когда она находит новое животное, он классифицирует животное на основе своей этикетки и предсказывает вывод.
Теперь давайте посмотрим на разные шаги, которые участвуют в контролируемом обучении:
- Определите и собирайте информацию о тренировочном наборе данных.
- Разделите набор данных в:
- Обучающий набор
- Тестовый набор
- Валидационный набор данных
- Определить Особенности Из вклада на наборный набор данных о том, что у него достаточно знаний, чтобы правильно предсказать выпуск.
- Определить и кормить подходящим алгоритм Это помогает модели предсказать вывод.
- Выполните прикладной алгоритм на наборе обучения.
- Оцените эффективность и точность модели с помощью тестового набора.
Типы контролируемого обучения
Контролируемое обучение может быть дополнительно классифицировано на два типа:
- Регрессия
- Классификация
✨ регрессия
Регрессия Обучение Позволяет предсказать постоянные переменные результатов на основе значения одного или нескольких переменных предиктора. Простые слова, это оценивает связь между входными и выходными переменными. Целью регрессии является создание математического уравнения, которое определяет y как функция переменных х.
Пример: Регрессионный анализ может помочь нам определить взаимосвязь между количеством случаев вождения сыпь на количество случаев дорожно-транспортных происшествий водителем. Другие виды использования регрессии – прогнозирование погоды, тенденции фондового рынка и т. Д.
Некоторые обычно используемые методы регрессии:
- Линейная регрессия
- Несколько линейной регрессии
- Регрессионные деревья
- Полиномиальная регрессия
- Поддержка вектор регрессии
- Случайная регрессия лесов
✨ классификация
Методы классификации имеют аналогичную цель к регрессионным моделям. Таким образом, классификация представляет собой методику прогнозирования моделирования, в которой предсказана метка для данного ввода. Разница между регрессией и классификацией заключается в том, что зависимые атрибуты являются Численное для регрессия Пока они категорично для Классификация Отказ
В Классификация Выходная переменная – категорично Это означает, что это может быть ценности, такие как да-нет, правда-ложь, спам-не спам и т. Д.
Пример: Методы классификации могут быть использованы для фильтрации электронных писем, чтобы определить, являются ли они спамом или не спамом.
Некоторые часто используемые модели классификации:
- Логистическая регрессия
- Древо решений
- Случайный лес
- Градиентное усиление дерева
- Многослойная перцептрон
- Одноразовый
- Наивный байс
Введение в неповторимый обучение
Как предполагает, что имени свидетельствуют о неприпровизном обучении – это техника машинного обучения, в которой модель машин учится без какого-либо надзора. Модель получает свою подготовку от набора данных, которые не подлежат не подлежащему расписанию, а алгоритм работает без необходимости руководителя. Цель безоговорочного обучения состоит в том, чтобы реорганизовать входные данные в группу объектов с аналогичными моделями. Следовательно, при неподздолированном обучении результаты не предопределяются.
Определение
Обучаемое обучение – это тип машинного обучения, который ищет ранее необнаружившиеся шаблоны в данных, установленных без ранее существующих меток и с минимальным человеческим наблюдением.
Принцип работы надзора
Как упомянуто выше, в несусперенном изучении модель не имеет руководителя. Поэтому мы не предоставляем никаких помеченных данных в этом случае. Давайте посмотрим на диаграмму, приведенную ниже, чтобы понять, насколько несущими обучающие работы:
В отличие от контролируемого изучения данных, взятые здесь данные, не включенные (RAW-DATA). Эти необработанные данные подаются в модель обучения машины, которая интерпретирует ее, чтобы найти скрытые узоры. После того, как он определяет шаблон, применяется подходящий алгоритм, который делит объекты данных на разные группы на основе сходства и различий между объектами, которые изучены моделью из скрытых моделей.
Виды без присмотра обучения
Безпровизированное обучение может быть дополнительно классифицировано INT два типа:
- Кластеризация
- Ассоциация
🖊️ Примечание: Мы узнаем о кластере и ассоциации в более поздних статьях.
Давайте посмотрим на некоторые из наиболее часто используемых алгоритмов у обучения:
- K-означает кластеризация
- Априори алгоритм
- KNN (K-Ближайшие соседи)
- Нейронные сети
- Иерархическая кластеризация
- Анализ главных компонентов
- Независимый анализ компонента
- Особое значение разложения
Разница между контролируемым и без осознанным обучением
Меченые данные используются для обучения контролируемых алгоритмов обучения. | Аспрессированные алгоритмы обучения не обучены с использованием меченых данных. Вместо этого они кормят без развесел RAW-Data. |
Модель над руководящей обучением принимает обратную связь для проверки и повышения точности его предсказаний. | Безпровизированные модели обучения не принимают обратную связь. |
Модель над руководящей обучением является вывод, управляемый I.E. Он предсказывает окончательный вывод на основе данного ввода. | Неснесенные модели обучения используются для выявления скрытых узоров в необработанных данных. |
Целью контролируемого обучения является соположение входных данных в выходные данные и предсказать окончательный выход. Поэтому руководитель обучения используется в сценариях, где известны вход, а также соответствующие выходы. | Цель безоговорочного обучения состоит в том, чтобы реорганизовать входные данные в группу объектов с аналогичными моделями. Следовательно, моделируемые модели обучения используются в сценариях, где у нас есть только входные данные, но нет соответствующих выходных данных. |
Модели над руководителями обучаются под наблюдением. | Безпровизированные модели обучения не нуждаются в каком-либо наблюдении, чтобы обучить их. |
Контролируемое обучение может быть сгруппировано в классификацию и проблемы регрессии. | Безсушеное обучение может быть сгруппировано в проблемы с кластеризацией и ассоциациями. |
Ожидается, что контролируемая модель обучения приведет к точным результатам, поскольку вывод заранее определен. | По сравнению с контролируемым обучением, приспособленная модель обучения может производить менее точные результаты. |
Некоторые часто используемые контролируемые алгоритмы обучения являются линейной регрессией, поддерживают векторную машину, логистическую регрессию, дерево решений, байесовскую логику, многоклассную классификацию и т. Д. | Некоторые широко используемые неприводные алгоритмы обучения включают кластеризацию, нейронные сети, знание, алгоритм априори и т. Д. |
Заключение
Мы успешно рассекали надзорное и безоговорочное обучение в этой статье, и у нас есть четкая картина того, как работают эти методы обучения. Мы подробно узнаем о каждом алгоритме в будущих статьях.
Пожалуйста, нажмите на ссылку, приведенную ниже, чтобы перейти к следующему разделу нашего учебного пособия нашего машинного обучения!
Куда пойти отсюда?
Достаточно теории, давайте познакомимся!
Чтобы стать успешным в кодировке, вам нужно выйти туда и решать реальные проблемы для реальных людей. Вот как вы можете легко стать шестифункциональным тренером. И вот как вы польские навыки, которые вам действительно нужны на практике. В конце концов, что такое использование теории обучения, что никто никогда не нуждается?
Практические проекты – это то, как вы обостряете вашу пилу в кодировке!
Вы хотите стать мастером кода, сосредоточившись на практических кодовых проектах, которые фактически зарабатывают вам деньги и решают проблемы для людей?
Затем станьте питоном независимым разработчиком! Это лучший способ приближения к задаче улучшения ваших навыков Python – даже если вы являетесь полным новичком.
Присоединяйтесь к моему бесплатным вебинаре «Как создать свой навык высокого дохода Python» и посмотреть, как я вырос на моем кодированном бизнесе в Интернете и как вы можете, слишком от комфорта вашего собственного дома.
Присоединяйтесь к свободному вебинару сейчас!
Я профессиональный Python Blogger и Content Creator. Я опубликовал многочисленные статьи и создал курсы в течение определенного периода времени. В настоящее время я работаю полный рабочий день, и у меня есть опыт в областях, таких как Python, AWS, DevOps и Networking.
Вы можете связаться со мной @:
Оригинал: “https://blog.finxter.com/supervised-and-unsupervised-machine-learning/”