Denetimli Makine Öğrenimi: Nedir? Algorithms Örneklerle

Denetimli Makine Öğrenimi Nedir?

Denetimli Makine Öğrenimi öngörülemeyen verilere ilişkin sonuçları tahmin etmenize yardımcı olmak için etiketlenmiş eğitim verilerinden öğrenen bir algoritmadır. Denetimli öğrenmede, makineyi iyi "etiketlenmiş" verileri kullanarak eğitirsiniz. Bu, bazı verilerin zaten doğru yanıtlarla etiketlendiği anlamına gelir. Bir gözetmen veya öğretmenin huzurunda öğrenmeye benzetilebilir.

Başarılı bir şekilde oluşturma, ölçeklendirme ve dağıtma doğru Denetimli makine öğrenimi modelleri, yüksek vasıflı veri bilimcilerinden oluşan bir ekibin zamanını ve teknik uzmanlığını gerektirir. Dahası, Veri bilim adamı yeniden inşa etmeli modelleri Verilen bilgilerin veriler değişene kadar doğru kalmasını sağlamak.

Denetimli Öğrenme Nasıl Çalışır?

Denetimli makine öğrenimi, istenen sonuçları elde etmek için eğitim veri kümelerini kullanır. Bu veri setleri, modelin daha hızlı öğrenmesine yardımcı olan girdileri ve doğru çıktıları içerir. Örneğin, iş yerinizden eve arabayla gitmenizin ne kadar süreceğini tahmin etmenize yardımcı olması için bir makineyi eğitmek istiyorsunuz.

Burada bir dizi etiketli veri oluşturarak başlarsınız. Bu veriler şunları içerir:

• Hava koşulları
• Günün saati
• Tatil

Tüm bu ayrıntılar bu Gözetimli öğrenme örneğindeki girdilerinizdir. Çıktı, o belirli günde eve geri dönmenin aldığı süredir.

Dışarıda yağmur yağıyorsa eve gitmenin daha uzun süreceğini içgüdüsel olarak bilirsiniz. Ancak makinenin verilere ve istatistiklere ihtiyacı var.

Kullanıcının işe gidip gelme süresini belirlemesine yardımcı olan bu örneğin denetimli öğrenme modelini nasıl geliştirebileceğinize ilişkin bazı Denetimli öğrenme örneklerini görelim. Oluşturmanız gereken ilk şey bir eğitim setidir. Bu eğitim seti, toplam işe gidiş geliş süresini ve buna karşılık gelen hava durumu, saat vb. faktörleri içerecektir. Bu eğitim setine dayanarak, makineniz yağmur miktarı ile eve varmak için harcayacağınız süre arasında doğrudan bir ilişki olduğunu görebilir.

Yani, ne kadar çok yağmur yağarsa, evinize dönmek için o kadar uzun süre araba kullanacağınızı tespit ediyor. Ayrıca işten ayrılacağınız saat ile yolda olacağınız saat arasındaki bağlantıyı da görebilir.

Akşam 6'ya ne kadar yaklaşırsanız eve varmanız o kadar uzun sürer. Makineniz etiketli verilerinizle bazı ilişkileri bulabilir.

Bu, Veri Modelinizin başlangıcıdır. Yağmurun insanların araç kullanma şeklini etkilemeye başlıyor. Ayrıca günün belirli bir saatinde daha fazla insanın seyahat ettiğini görmeye başlıyoruz.

Denetimli Makine Öğrenimi Türleri Algorithms

Aşağıda Gözetimli Makine Öğrenmesi algoritmalarının türleri listelenmiştir:

Gerileme

Regresyon tekniği, eğitim verilerini kullanarak tek bir çıktı değerini tahmin eder.

Örnek E-posta: Eğitim verilerinden ev fiyatını tahmin etmek için regresyonu kullanabilirsiniz. Girdi değişkenleri konum, evin büyüklüğü vb. olacaktır.

Güçlü: Çıktıların her zaman olasılıksal bir yorumu vardır ve algoritma aşırı uyumu önlemek için düzenlenebilir.

Zayıf Yönler: Lojistik regresyon, birden fazla veya doğrusal olmayan karar sınırları olduğunda düşük performans gösterebilir. Bu yöntem esnek değildir, bu nedenle daha karmaşık ilişkileri yakalamaz.

Lojistik regresyon:

Belirli bir dizi bağımsız değişkene dayalı olarak ayrık değerleri tahmin etmek için kullanılan lojistik regresyon yöntemi. Verileri bir logit işlevine sığdırarak bir olayın meydana gelme olasılığını tahmin etmenize yardımcı olur. Bu nedenle lojistik regresyon olarak da bilinir. Olasılığı tahmin ettiğinden çıkış değeri 0 ile 1 arasındadır.

İşte birkaç Regresyon türü: Algorithms

Sınıflandırma

Sınıflandırma, çıktıyı bir sınıf içinde gruplamak anlamına gelir. Algoritma girdiyi iki farklı sınıfa ayırmaya çalışırsa buna ikili sınıflandırma denir. İkiden fazla sınıf arasından seçim yapılmasına çok sınıflı sınıflandırma denir.

Örnek E-posta: Birisinin krediyi temerrüde düşürüp düşürmeyeceğinin belirlenmesi.

Güçlü: Sınıflandırma ağacı pratikte çok iyi performans gösteriyor

Zayıf Yönler: Kısıtlanmamış, tek tek ağaçlar aşırı uyum sağlamaya eğilimlidir.

İşte birkaç sınıflandırma türü: Algorithms

Naive Bayes Sınıflandırıcıları

Naive Bayesian modelinin (NBN) oluşturulması kolaydır ve büyük veri kümeleri için çok kullanışlıdır. Bu yöntem, bir ebeveyn ve birkaç çocuktan oluşan doğrudan asiklik grafiklerden oluşur. Ebeveynlerinden ayrılan alt düğümler arasında bağımsızlığı varsayar.

Karar ağaçları

Karar ağaçları, örnekleri özellik değerine göre sıralayarak sınıflandırır. Bu yöntemde her mod bir örneğin özelliğidir. Sınıflandırılmalıdır ve her dal, düğümün alabileceği bir değeri temsil eder. Sınıflandırmada yaygın olarak kullanılan bir tekniktir. Bu yöntemde sınıflandırma, karar ağacı olarak bilinen bir ağaçtır.

Gerçek değerleri (araba satın alma maliyeti, çağrı sayısı, toplam aylık satışlar vb.) tahmin etmenize yardımcı olur.

Destek Vektör Makinesi

Destek vektör makinesi (SVM), 1990 yılında geliştirilen bir tür öğrenme algoritmasıdır. Bu yöntem, Vap Nik tarafından ortaya atılan istatistiksel öğrenme teorisinin sonuçlarına dayanmaktadır.

SVM makineleri aynı zamanda çoğu öğrenme görevi için merkezi bir kavram olan çekirdek işlevleriyle de yakından bağlantılıdır. Çekirdek çerçevesi ve SVM çeşitli alanlarda kullanılmaktadır. Multimedya bilgi alımını, biyoenformatik ve örüntü tanımayı içerir.

Denetimli ve Denetimsiz Makine öğrenimi teknikleri

Dayalı	Denetimli makine öğrenimi tekniği	Denetimsiz makine öğrenimi tekniği
Giriş Verileri	Algorithms etiketlenmiş veriler kullanılarak eğitilir.	Algorithms etiketlenmemiş verilere karşı kullanılır
Hesaplamalı Karmaşıklık	Denetimli öğrenme daha basit bir yöntemdir.	Gözetimsiz öğrenme hesaplama açısından karmaşıktır
doğruluk	Son derece doğru ve güvenilir bir yöntem.	Less Doğru ve güvenilir yöntem.

Denetimli makine öğrenimindeki zorluklar

Denetimli makine öğreniminde karşılaşılan zorluklar şunlardır:

• İlgisiz giriş özelliği mevcut eğitim verileri hatalı sonuçlar verebilir
• Veri hazırlama ve ön işleme her zaman zorlu bir iştir.
• Eğitim verileri olarak imkansız, olası olmayan ve eksik değerler girildiğinde doğruluk olumsuz etkilenir
• İlgili uzmanın mevcut olmaması durumunda diğer yaklaşım “kaba kuvvet”tir. Bu, makineyi eğitmek için doğru özelliklerin (giriş değişkenleri) olduğunu düşünmeniz gerektiği anlamına gelir. Yanlış olabilir.

Denetimli Öğrenmenin Avantajları

Denetimli Makine öğreniminin avantajları şunlardır:

• Denetimli öğrenme Makine öğrenmesi önceki deneyimlerden veri toplamanıza veya veri çıktısı üretmenize olanak tanır
• Deneyimi kullanarak performans kriterlerini optimize etmenize yardımcı olur
• Denetimli makine öğrenimi, çeşitli türdeki gerçek dünyadaki hesaplama problemlerini çözmenize yardımcı olur.

Denetimli Öğrenmenin Dezavantajları

Denetimli Makine öğreniminin dezavantajları aşağıda verilmiştir:

• Eğer eğitim setiniz sınıfta olmasını istediğiniz örnekleri içermiyorsa karar sınırı aşırı eğitilmiş olabilir.
• Sınıflandırıcıyı eğitirken her sınıftan çok sayıda iyi örnek seçmeniz gerekir.
• Sınıflandırma büyük veri gerçek bir meydan okuma olabilir.
• Denetimli öğrenmeye yönelik eğitim, çok fazla hesaplama süresi gerektirir.