Εποπτευόμενη μηχανική μάθηση: Algorithms, Τύποι & Παραδείγματα
⚡ Έξυπνη Σύνοψη
Η εποπτευόμενη μηχανική μάθηση εκπαιδεύει έναν αλγόριθμο σε παραδείγματα με ετικέτες, ώστε να μπορεί να προβλέψει αποτελέσματα για δεδομένα που δεν έχει ξαναδεί, χρησιμοποιώντας παλινδρόμηση για αριθμητικούς στόχους και ταξινόμηση για στόχους κατηγορίας, όπως ανεπιθύμητα μηνύματα ή απάτη.
Τι είναι η εποπτευόμενη μηχανική μάθηση;
Η εποπτευόμενη μηχανική μάθηση είναι ένας αλγόριθμος που μαθαίνει από δεδομένα εκπαίδευσης με ετικέτα για να σας βοηθήσει να προβλέψετε αποτελέσματα για απρόβλεπτα δεδομένα. Στην εποπτευόμενη μάθηση, εκπαιδεύετε τη μηχανή χρησιμοποιώντας δεδομένα που είναι καλά «επισημασμένα». Αυτό σημαίνει ότι ορισμένα δεδομένα έχουν ήδη επισημανθεί με σωστές απαντήσεις. Μπορεί να συγκριθεί με τη μάθηση παρουσία ενός επόπτη ή ενός δασκάλου.
Η επιτυχής δημιουργία, κλιμάκωση και ανάπτυξη ακριβών μοντέλων εποπτευόμενης μηχανικής μάθησης απαιτεί χρόνο και τεχνική εμπειρογνωμοσύνη από μια ομάδα επιστημόνων δεδομένων με υψηλή εξειδίκευση. Οι επιστήμονες δεδομένων πρέπει επίσης να ανακατασκευάζουν μοντέλα περιοδικά, ώστε οι πληροφορίες που παράγουν να παραμένουν αληθείς καθώς αλλάζουν τα υποκείμενα δεδομένα.
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
- Επιλέχθηκε η διαδρομή
Όλες αυτές οι λεπτομέρειες είναι οι δικές σας πληροφορίες σε αυτό το παράδειγμα εποπτευόμενης μάθησης. Το αποτέλεσμα είναι ο χρόνος που χρειάστηκε για να οδηγήσετε πίσω στο σπίτι τη συγκεκριμένη ημέρα, όπως φαίνεται στην παρακάτω εικόνα.
Ενστικτωδώς γνωρίζετε ότι αν βρέχει έξω, τότε θα χρειαστείτε περισσότερο χρόνο για να οδηγήσετε μέχρι το σπίτι. Αλλά το μηχάνημα χρειάζεται δεδομένα και στατιστικά στοιχεία.
Το πρώτο πράγμα που πρέπει να δημιουργήσετε είναι ένα σύνολο εκπαίδευσης. Θα περιέχει τον συνολικό χρόνο μετακίνησης και αντίστοιχους παράγοντες όπως ο καιρός, η ώρα κ.λπ. Με βάση αυτό το σύνολο 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 χρόνο θα οδηγείτε για να επιστρέψετε στο σπίτι σας. Μπορεί επίσης να δει τη σύνδεση μεταξύ της ώρας που φεύγετε από τη δουλειά και του χρόνου που θα βρίσκεστε στο δρόμο. Όσο πιο κοντά βρίσκεστε στις 6 μ.μ., τόσο περισσότερο χρόνο χρειάζεται για να φτάσετε σπίτι.
Το μηχάνημά σας ενδέχεται να εντοπίσει ορισμένες από τις σχέσεις με τα δεδομένα που έχετε επισημάνει. Αυτή η φάση εκμάθησης φαίνεται παρακάτω.

Αυτή είναι η αρχή του Μοντέλου Δεδομένων σας. Αρχίζει να καταγράφει πώς η βροχή επηρεάζει τον τρόπο που οδηγούν οι άνθρωποι και ότι περισσότεροι άνθρωποι ταξιδεύουν κατά τη διάρκεια μιας συγκεκριμένης ώρας της ημέρας.
Τύποι εποπτευόμενης μηχανικής μάθησης Algorithms
Ακολουθούν οι τύποι εποπτευόμενων αλγορίθμων μηχανικής εκμάθησης:
Οπισθοδρόμηση
Η τεχνική παλινδρόμησης προβλέπει μια ενιαία συνεχή τιμή εξόδου χρησιμοποιώντας δεδομένα εκπαίδευσης.
Παράδειγμα: Μπορείτε να χρησιμοποιήσετε την παλινδρόμηση για να προβλέψετε την τιμή της κατοικίας από τα δεδομένα εκπαίδευσης. Οι μεταβλητές εισόδου θα είναι η τοποθεσία, το μέγεθος ενός σπιτιού κ.λπ.
Πλεονεκτήματα: Οι έξοδοι είναι εύκολο να ερμηνευτούν και ο αλγόριθμος μπορεί να κανονικοποιηθεί για να αποφευχθεί η υπερπροσαρμογή.
Αδυναμίες: Ένα γραμμικό μοντέλο δεν είναι ευέλικτο, επομένως δεν καταγράφει πολύπλοκες σχέσεις χωρίς πρόσθετα χαρακτηριστικά.
Εδώ είναι μερικοί τύποι παλινδρόμησης Algorithms:
- Γραμμικής παλινδρόμησης
- Πολυωνυμική παλινδρόμηση
- Παλινδρόμηση Ridge και Lasso
- Λογιστική παλινδρόμηση (για ταξινόμηση)
- Δέντρο αποφάσεων και παλινδρόμηση τυχαίου δάσους
- Υποστήριξη διανυσματικής παλινδρόμησης
Logistic Regression:
Η λογιστική παλινδρόμηση χρησιμοποιείται για την εκτίμηση διακριτών τιμών με βάση ένα δεδομένο σύνολο ανεξάρτητων μεταβλητών. Σας βοηθά να προβλέψετε την πιθανότητα εμφάνισης ενός συμβάντος προσαρμόζοντας δεδομένα σε μια λογαριθμική συνάρτηση. Επομένως, είναι επίσης γνωστή ως λογαριθμική παλινδρόμηση. Καθώς προβλέπει μια πιθανότητα, η τιμή εξόδου της κυμαίνεται μεταξύ 0 και 1 και ενδέχεται να υποαποδίδει όταν υπάρχουν πολλαπλά ή μη γραμμικά όρια απόφασης.
Ταξινόμηση
Ταξινόμηση σημαίνει ομαδοποίηση της εξόδου μέσα σε μια κλάση. Εάν ο αλγόριθμος προσπαθήσει να χαρακτηρίσει την είσοδο σε δύο διακριτές κλάσεις, αυτό ονομάζεται δυαδική ταξινόμηση. Η επιλογή μεταξύ περισσότερων από δύο κλάσεων αναφέρεται ως ταξινόμηση πολλαπλών κλάσεων.
Παράδειγμα: Προσδιορισμός του εάν κάποιος θα είναι αθετών την αποπληρωμή του δανείου.
Πλεονεκτήματα: Τα δέντρα ταξινόμησης αποδίδουν πολύ καλά στην πράξη.
Αδυναμίες: Τα χωρίς περιορισμούς, μεμονωμένα δέντρα είναι επιρρεπή σε υπερβολική προσαρμογή.
Ακολουθούν μερικοί τύποι ταξινόμησης Algorithms:
- Ταξινομητές Naive Bayes
- Δέντρα αποφάσεων
- Υποστήριξη μηχανής διάνυσμα
- Κ-Κοντινότεροι γείτονες
- Τυχαίο δάσος και ενίσχυση κλίσης
Naive Bayes Classifiers
The Ναϊβ Μπέις Το μοντέλο είναι εύκολο στην κατασκευή και πολύ χρήσιμο για μεγάλα σύνολα δεδομένων. Αυτή η μέθοδος αποτελείται από κατευθυνόμενα ακυκλικά γραφήματα με έναν γονέα και πολλά παιδιά. Υποθέτει ανεξαρτησία μεταξύ των θυγατρικών κόμβων που είναι χωρισμένα από τον γονέα τους.
Αποφάσεις δέντρων
Τα δέντρα αποφάσεων ταξινομούν μια περίπτωση (instance) ταξινομώντας την με βάση την τιμή του χαρακτηριστικού. Σε αυτήν τη μέθοδο, κάθε κόμβος είναι το χαρακτηριστικό μιας περίπτωσης που πρέπει να ταξινομηθεί και κάθε κλάδος αντιπροσωπεύει μια τιμή την οποία μπορεί να υποθέσει ο κόμβος. Είναι μια ευρέως χρησιμοποιούμενη τεχνική ταξινόμησης.
Η ίδια δομή λειτουργεί και για την παλινδρόμηση: ένα δέντρο παλινδρόμησης σας βοηθά να εκτιμήσετε τις πραγματικές αξίες (κόστος αγοράς αυτοκινήτου, αριθμός κλήσεων, συνολικές μηνιαίες πωλήσεις κ.λπ.).
Υποστήριξη μηχανής διάνυσμα
Η Μηχανή Διανυσμάτων Υποστήριξης (SVM) είναι ένας τύπος αλγορίθμου μάθησης που εισήχθη τη δεκαετία του 1990. Αυτή η μέθοδος βασίζεται σε αποτελέσματα από τη θεωρία στατιστικής μάθησης που αναπτύχθηκε από τον Vladimir Vapnik και τους συναδέλφους του.
Τα SVM συνδέονται επίσης στενά με τις συναρτήσεις πυρήνα, οι οποίες αποτελούν κεντρική έννοια για τις περισσότερες μαθησιακές εργασίες. Το πλαίσιο πυρήνα και τα SVM χρησιμοποιούνται σε ποικίλους τομείς. Περιλαμβάνουν ανάκτηση πληροφοριών πολυμέσων, βιοπληροφορική και αναγνώριση προτύπων. Κάθε εκτιμητής παραπάνω τεκμηριώνεται με τις παραμέτρους συντονισμού του στο scikit-μάθετε αναφορά.
Εποπτευόμενες έναντι μη εποπτευόμενων τεχνικών μηχανικής μάθησης
Τοποθέτηση της μεθόδου δίπλα μη εποπτευόμενη μάθηση ξεκαθαρίζει τα όριά του.
| Βασισμένο στο | Εποπτευόμενη τεχνική μηχανικής εκμάθησης | Τεχνική μηχανικής εκμάθησης χωρίς επίβλεψη |
|---|---|---|
| Εισαγωγή δεδομένων | Algorithms εκπαιδεύονται χρησιμοποιώντας δεδομένα με ετικέτα. | Algorithms χρησιμοποιούνται έναντι δεδομένων που δεν φέρουν ετικέτα |
| Υπολογιστική Πολυπλοκότητα | Η εποπτευόμενη μάθηση είναι μια απλούστερη μέθοδος. | Η μάθηση χωρίς επίβλεψη είναι υπολογιστικά περίπλοκη |
| Ακρίβεια | Μέθοδος υψηλής ακρίβειας και αξιοπιστίας. | Less ακριβής και αξιόπιστη μέθοδος. |
| Τυπικοί αλγόριθμοι | Λογιστική παλινδρόμηση, δέντρα αποφάσεων, SVM, Naive Bayes | K-μέσες τιμές, ιεραρχική ομαδοποίηση, PCA |
| Πώς κρίνονται τα αποτελέσματα | Βαθμολογία σε σχέση με γνωστές απαντήσεις (ακρίβεια, RMSE) | Κρίθηκε με βάση εσωτερικές μετρήσεις και ανθρώπινη αξιολόγηση |
Προκλήσεις στην Εποπτευόμενη Μηχανική Μάθηση
Ακολουθούν οι προκλήσεις που αντιμετωπίζει η εποπτευόμενη μηχανική εκμάθηση:
- Τα άσχετα χαρακτηριστικά εισόδου στα δεδομένα εκπαίδευσης μπορούν να παράγουν ανακριβή αποτελέσματα
- Η προετοιμασία και η προεπεξεργασία δεδομένων είναι πάντα μια πρόκληση.
- Η ακρίβεια υποφέρει όταν έχουν εισαχθεί αδύνατες, απίθανες και ελλιπείς τιμές ως δεδομένα εκπαίδευσης.
- Εάν ο εμπλεκόμενος ειδικός δεν είναι διαθέσιμος, τότε η άλλη προσέγγιση είναι η «ωμή βία». Αυτό σημαίνει ότι πρέπει να μαντέψετε σε ποια χαρακτηριστικά (μεταβλητές εισόδου) θα εκπαιδεύσετε το μηχάνημα και αυτή η εικασία μπορεί να είναι ανακριβής.
Πλεονεκτήματα της Εποπτευόμενης Μάθησης
Σε αντίθεση με αυτές τις προκλήσεις, ακολουθούν τα πλεονεκτήματα της εποπτευόμενης μηχανικής μάθησης:
- Εποπτευόμενη μάθηση σε Μηχανική μάθηση σας επιτρέπει να συλλέγετε δεδομένα ή να παράγετε δεδομένα από 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
Παρακάτω αναφέρονται τα μειονεκτήματα της εποπτευόμενης μηχανικής μάθησης:
- Το όριο απόφασης μπορεί να είναι υπερβολικά εκπαιδευμένο εάν το σύνολο εκπαίδευσης δεν έχει παραδείγματα που θέλετε να έχετε σε μια κλάση.
- Πρέπει να επιλέξετε πολλά καλά παραδείγματα από κάθε τάξη ενώ εκπαιδεύετε τον ταξινομητή.
- Η ταξινόμηση μεγάλων δεδομένων μπορεί να αποτελέσει πραγματική πρόκληση.
- Η εκπαίδευση για εποπτευόμενη μάθηση απαιτεί πολύ υπολογιστικό χρόνο.
καλυτερα Πρακτικές για την Εποπτευόμενη Μάθηση
Η ακόλουθη ακολουθία διατηρεί ένα έργο ενεργοποιημένο track:
- Πριν κάνετε οτιδήποτε άλλο, αποφασίστε τι είδους δεδομένα θα χρησιμοποιηθούν ως σύνολο εκπαίδευσης
- Αποφασίστε τη δομή της μαθησιακής συνάρτησης και τον αλγόριθμο μάθησης.
- Συγκεντρώστε τα αντίστοιχα αποτελέσματα είτε από ανθρώπινους εμπειρογνώμονες είτε από μετρήσεις
- Κράτηση ενός συνόλου δοκιμών που το μοντέλο δεν βλέπει ποτέ και αναφορά της βαθμολογίας σε αυτό

