Εποπτευόμενη Μηχανική Μάθηση: Τι είναι, Algorithms με παραδείγματα

Τι είναι η εποπτευόμενη μηχανική μάθηση;

Εποπτευόμενη μηχανική μάθηση είναι ένας αλγόριθμος που μαθαίνει από δεδομένα εκπαίδευσης με ετικέτα για να σας βοηθήσει να προβλέψετε τα αποτελέσματα για απρόβλεπτα δεδομένα. Στην εποπτευόμενη εκμάθηση, εκπαιδεύετε το μηχάνημα χρησιμοποιώντας δεδομένα που έχουν καλή «ετικέτα». Σημαίνει ότι ορισμένα δεδομένα έχουν ήδη επισημανθεί με σωστές απαντήσεις. Μπορεί να συγκριθεί με τη μάθηση παρουσία ενός επόπτη ή ενός δασκάλου.

Δημιουργία, κλιμάκωση και ανάπτυξη με επιτυχία ακριβής Τα εποπτευόμενα μοντέλα μηχανικής εκμάθησης απαιτούν χρόνο και τεχνική τεχνογνωσία από μια ομάδα επιστημόνων δεδομένων υψηλής εξειδίκευσης. Εξάλλου, ημερομηνία ο επιστήμονας πρέπει να ξαναχτίσει μοντέλα για να βεβαιωθείτε ότι οι πληροφορίες που δίνονται παραμένουν αληθείς μέχρι να αλλάξουν τα δεδομένα του.

Πώς λειτουργεί η εποπτευόμενη μάθηση

Η εποπτευόμενη μηχανική εκμάθηση χρησιμοποιεί σύνολα δεδομένων εκπαίδευσης για να επιτύχει τα επιθυμητά αποτελέσματα. Αυτά τα σύνολα δεδομένων περιέχουν εισόδους και τη σωστή έξοδο που βοηθά το μοντέλο να μάθει πιο γρήγορα. Για παράδειγμα, θέλετε να εκπαιδεύσετε ένα μηχάνημα για να σας βοηθήσει να προβλέψετε πόσο χρόνο θα σας πάρει για να οδηγήσετε στο σπίτι από τον χώρο εργασίας σας.

Εδώ, ξεκινάτε δημιουργώντας ένα σύνολο δεδομένων με ετικέτα. Αυτά τα δεδομένα περιλαμβάνουν:

• Καιρικές συνθήκες
• Ωρα της ημέρας
• Διακοπές

Όλες αυτές οι λεπτομέρειες είναι οι εισροές σας σε αυτό το παράδειγμα εποπτευόμενης εκμάθησης. Η έξοδος είναι ο χρόνος που χρειάστηκε για να επιστρέψετε στο σπίτι εκείνη τη συγκεκριμένη ημέρα.

Ξέρεις ενστικτωδώς ότι αν βρέχει έξω, τότε θα σου πάρει περισσότερο χρόνο για να οδηγήσεις στο σπίτι. Όμως το μηχάνημα χρειάζεται δεδομένα και στατιστικά.

Ας δούμε μερικά παραδείγματα εποπτευόμενης εκμάθησης σχετικά με το πώς μπορείτε να αναπτύξετε ένα μοντέλο εποπτευόμενης μάθησης αυτού του παραδείγματος που βοηθούν τον χρήστη να προσδιορίσει τον χρόνο μετακίνησης. Το πρώτο πράγμα που χρειάζεται να δημιουργήσετε είναι ένα σετ εκπαίδευσης. Αυτό το σετ εκπαίδευσης θα περιέχει τον συνολικό χρόνο μετακίνησης και αντίστοιχους παράγοντες όπως ο καιρός, η ώρα κ.λπ. Με βάση αυτό το σετ εκπαίδευσης, το μηχάνημά σας μπορεί να δει ότι υπάρχει άμεση σχέση μεταξύ της ποσότητας βροχής και του χρόνου που θα χρειαστείτε για να φτάσετε στο σπίτι.

Έτσι, διαπιστώνει ότι όσο περισσότερο βρέχει, τόσο περισσότερο θα οδηγείτε για να επιστρέψετε στο σπίτι σας. Μπορεί επίσης να δει τη σύνδεση μεταξύ της ώρας που αφήνετε την εργασία σας και της ώρας που θα είστε στο δρόμο.

Όσο πλησιάζετε στις 6 το απόγευμα, τόσο περισσότερος χρόνος χρειάζεται για να φτάσετε στο σπίτι. Το μηχάνημά σας μπορεί να βρει ορισμένες από τις σχέσεις με τα δεδομένα σας με ετικέτα.

Αυτή είναι η αρχή του μοντέλου δεδομένων σας. Αρχίζει να επηρεάζει το πώς η βροχή επηρεάζει τον τρόπο που οδηγούν οι άνθρωποι. Αρχίζει επίσης να βλέπει ότι περισσότεροι άνθρωποι ταξιδεύουν μια συγκεκριμένη ώρα της ημέρας.

Τύποι εποπτευόμενης μηχανικής μάθησης Algorithms

Ακολουθούν οι τύποι εποπτευόμενων αλγορίθμων μηχανικής εκμάθησης:

Οπισθοδρόμηση

Η τεχνική παλινδρόμησης προβλέπει μια μοναδική τιμή εξόδου χρησιμοποιώντας δεδομένα εκπαίδευσης.

Παράδειγμα: Μπορείτε να χρησιμοποιήσετε την παλινδρόμηση για να προβλέψετε την τιμή του σπιτιού από τα δεδομένα εκπαίδευσης. Οι μεταβλητές εισόδου θα είναι η τοποθεσία, το μέγεθος ενός σπιτιού κ.λπ.

Δυνατά: Οι έξοδοι έχουν πάντα μια πιθανολογική ερμηνεία και ο αλγόριθμος μπορεί να ρυθμιστεί για να αποφευχθεί η υπερβολική προσαρμογή.

Αδυναμίες: Η λογιστική παλινδρόμηση μπορεί να υπολειτουργεί όταν υπάρχουν πολλαπλά ή μη γραμμικά όρια απόφασης. Αυτή η μέθοδος δεν είναι ευέλικτη, επομένως δεν καταγράφει πιο σύνθετες σχέσεις.

Logistic Regression:

Μέθοδος λογιστικής παλινδρόμησης που χρησιμοποιείται για την εκτίμηση διακριτών τιμών με βάση δεδομένο ένα σύνολο ανεξάρτητων μεταβλητών. Σας βοηθά να προβλέψετε την πιθανότητα εμφάνισης ενός συμβάντος προσαρμόζοντας δεδομένα σε μια συνάρτηση logit. Ως εκ τούτου, είναι επίσης γνωστή ως λογιστική παλινδρόμηση. Καθώς προβλέπει την πιθανότητα, η τιμή εξόδου του κυμαίνεται μεταξύ 0 και 1.

Εδώ είναι μερικοί τύποι παλινδρόμησης Algorithms

Ταξινόμηση

Ταξινόμηση σημαίνει ομαδοποίηση της εξόδου μέσα σε μια κλάση. Εάν ο αλγόριθμος προσπαθήσει να χαρακτηρίσει την είσοδο σε δύο διακριτές κλάσεις, ονομάζεται δυαδική ταξινόμηση. Η επιλογή μεταξύ περισσότερων από δύο κλάσεων αναφέρεται ως ταξινόμηση πολλαπλών κλάσεων.

Παράδειγμα: Καθορισμός εάν κάποιος θα είναι ή όχι αθετητής του δανείου.

Δυνατά: Το δέντρο ταξινόμησης έχει πολύ καλή απόδοση στην πράξη

Αδυναμίες: Χωρίς περιορισμούς, μεμονωμένα δέντρα είναι επιρρεπή σε υπερβολική προσαρμογή.

Ακολουθούν μερικοί τύποι ταξινόμησης Algorithms

Naive Bayes Classifiers

Το Naive Bayesian Model (NBN) είναι εύκολο να κατασκευαστεί και πολύ χρήσιμο για μεγάλα σύνολα δεδομένων. Αυτή η μέθοδος αποτελείται από απευθείας άκυκλα γραφήματα με έναν γονέα και πολλά παιδιά. Υποθέτει την ανεξαρτησία μεταξύ των θυγατρικών κόμβων που χωρίζονται από τον γονέα τους.

Αποφάσεις δέντρων

Τα δέντρα αποφάσεων ταξινομούν τα παραδείγματα ταξινομώντας τα με βάση την τιμή του χαρακτηριστικού. Σε αυτή τη μέθοδο, κάθε λειτουργία είναι το χαρακτηριστικό μιας παρουσίας. Θα πρέπει να ταξινομηθεί και κάθε κλάδος αντιπροσωπεύει μια τιμή που μπορεί να λάβει ο κόμβος. Είναι μια ευρέως χρησιμοποιούμενη τεχνική για ταξινόμηση. Σε αυτή τη μέθοδο, η ταξινόμηση είναι ένα δέντρο που είναι γνωστό ως δέντρο απόφασης.

Σας βοηθά να υπολογίσετε τις πραγματικές αξίες (κόστος αγοράς αυτοκινήτου, αριθμός κλήσεων, συνολικές μηνιαίες πωλήσεις κ.λπ.).

Υποστήριξη μηχανής διάνυσμα

Υποστήριξη διανυσματική μηχανή (SVM) είναι ένας τύπος αλγόριθμου μάθησης που αναπτύχθηκε το 1990. Αυτή η μέθοδος βασίζεται σε αποτελέσματα από τη θεωρία στατιστικής μάθησης που εισήγαγε ο Vap Nik.

Οι μηχανές SVM είναι επίσης στενά συνδεδεμένες με τις λειτουργίες του πυρήνα, κάτι που αποτελεί κεντρική ιδέα για τις περισσότερες εργασίες εκμάθησης. Το πλαίσιο πυρήνα και το SVM χρησιμοποιούνται σε διάφορα πεδία. Περιλαμβάνει την ανάκτηση πληροφοριών πολυμέσων, τη βιοπληροφορική και την αναγνώριση προτύπων.

Τεχνικές μηχανικής εκμάθησης εποπτευόμενων έναντι μη εποπτευόμενων

Προκλήσεις στην εποπτευόμενη μηχανική μάθηση

Ακολουθούν οι προκλήσεις που αντιμετωπίζει η εποπτευόμενη μηχανική εκμάθηση:

• Τα άσχετα δεδομένα προπόνησης του χαρακτηριστικού εισαγωγής θα μπορούσαν να δώσουν ανακριβή αποτελέσματα
• Η προετοιμασία και η προεπεξεργασία δεδομένων είναι πάντα μια πρόκληση.
• Η ακρίβεια μειώνεται όταν έχουν εισαχθεί αδύνατες, απίθανες και ελλιπείς τιμές ως δεδομένα εκπαίδευσης
• Εάν ο ενδιαφερόμενος εμπειρογνώμονας δεν είναι διαθέσιμος, τότε η άλλη προσέγγιση είναι η «ωμή βία». Σημαίνει ότι πρέπει να σκεφτείτε ότι τα σωστά χαρακτηριστικά (μεταβλητές εισόδου) για να εκπαιδεύσετε το μηχάνημα. Θα μπορούσε να είναι ανακριβές.

Πλεονεκτήματα της Εποπτευόμενης Μάθησης

Ακολουθούν τα πλεονεκτήματα της εποπτευόμενης μηχανικής εκμάθησης:

• Εποπτευόμενη μάθηση σε Μηχανική μάθηση σας επιτρέπει να συλλέγετε δεδομένα ή να παράγετε δεδομένα από την προηγούμενη εμπειρία
• Σας βοηθά να βελτιστοποιήσετε τα κριτήρια απόδοσης χρησιμοποιώντας την εμπειρία
• Η εποπτευόμενη μηχανική εκμάθηση σάς βοηθά να επιλύετε διάφορους τύπους προβλημάτων υπολογισμού του πραγματικού κόσμου.

Μειονεκτήματα της Εποπτευόμενης Μάθησης

Ακολουθούν τα μειονεκτήματα της εποπτευόμενης μηχανικής εκμάθησης:

• Το όριο απόφασης μπορεί να είναι υπερβολικό αν το σετ προπόνησής σας που δεν έχει παραδείγματα που θέλετε να έχετε σε μια τάξη
• Πρέπει να επιλέξετε πολλά καλά παραδείγματα από κάθε τάξη ενώ εκπαιδεύετε τον ταξινομητή.
• Ταξινόμηση μεγάλα δεδομένα μπορεί να είναι μια πραγματική πρόκληση.
• Η εκπαίδευση για εποπτευόμενη μάθηση απαιτεί πολύ υπολογιστικό χρόνο.