Контрольоване навчання – це тип машинного навчання, у якому машини навчаються за допомогою добре «маркованих» навчальних даних, і на основі цих даних машини передбачають результат. Помічені дані означають, що деякі вхідні дані вже позначено правильним виходом.
У керованому навчанні навчальні дані, які надаються машинам, працюють як супервізор, який навчає машини правильно прогнозувати результат. Він застосовує ту саму концепцію, що й учень навчається під наглядом учителя.
Кероване навчання – це процес надання вхідних даних, а також правильних вихідних даних моделі машинного навчання. Метою контрольованого алгоритму навчання є знайти функцію відображення для відображення вхідної змінної (x) із вихідною змінною (y) .
іскра підручник
У реальному світі контрольоване навчання можна використовувати для Оцінка ризиків, класифікація зображень, виявлення шахрайства, фільтрація спаму і т.д.
Як працює контрольоване навчання?
Під час навчання під наглядом моделі навчаються за допомогою позначеного набору даних, де модель дізнається про кожен тип даних. Після завершення процесу навчання модель перевіряється на основі тестових даних (підмножина навчального набору), а потім прогнозується результат.
Роботу навчання під наглядом можна легко зрозуміти за прикладом і схемою нижче:
Припустімо, що у нас є набір даних різних типів фігур, який включає квадрат, прямокутник, трикутник і багатокутник. Тепер перший крок полягає в тому, що нам потрібно навчити модель для кожної форми.
- Якщо задана фігура має чотири сторони, і всі сторони рівні, тоді вона буде позначена як a Майдан .
- Якщо задана форма має три сторони, вона буде позначена як a трикутник .
- Якщо задана фігура має шість рівних сторін, вона буде позначена як шестикутник .
Тепер, після навчання, ми тестуємо нашу модель за допомогою тестового набору, і завдання моделі - визначити форму.
Машина вже навчена на всіх типах фігур, і коли вона знаходить нову форму, вона класифікує форму на основі кількох сторін і прогнозує результат.
Етапи навчання під наглядом:
- Спочатку визначте тип навчального набору даних
- Зберіть позначені навчальні дані.
- Розділіть навчальний набір даних на навчання набір даних, набір тестових даних і набір даних перевірки .
- Визначте вхідні характеристики навчального набору даних, які повинні мати достатньо знань, щоб модель могла точно передбачити вихід.
- Визначте відповідний алгоритм для моделі, такий як машина опорних векторів, дерево рішень тощо.
- Виконайте алгоритм на навчальному наборі даних. Іноді нам потрібні перевірочні набори як контрольні параметри, які є підмножиною навчальних наборів даних.
- Оцініть точність моделі, надавши тестовий набір. Якщо модель передбачає правильний результат, це означає, що наша модель точна.
Типи керованих алгоритмів машинного навчання:
Контрольоване навчання можна далі розділити на два типи проблем:
якщо Редьярд Кіплінг короткий зміст
1. Регресія
Алгоритми регресії використовуються, якщо існує зв’язок між вхідною змінною та вихідною змінною. Він використовується для прогнозування безперервних змінних, таких як прогнозування погоди, ринкові тенденції тощо. Нижче наведено деякі популярні алгоритми регресії, які підпадають під контрольоване навчання:
- Лінійна регресія
- Дерева регресії
- Нелінійна регресія
- Байєсова лінійна регресія
- Поліноміальна регресія
2. Класифікація
пронумеруйте алфавіт
Алгоритми класифікації використовуються, коли вихідна змінна є категоричною, що означає наявність двох класів, таких як «Так-Ні», «Чоловік-жінка», «Правда-хибність» тощо.
фільтрація спаму,
- Випадковий ліс
- Дерева рішень
- Логістична регресія
- Підтримка векторних машин
Примітка: ми детально обговоримо ці алгоритми в наступних розділах.
Переваги навчання під наглядом:
- За допомогою навчання під наглядом модель може передбачити результат на основі попереднього досвіду.
- Під час навчання під наглядом ми можемо мати точне уявлення про класи об’єктів.
- Модель навчання під наглядом допомагає нам вирішувати різноманітні проблеми реального світу, наприклад виявлення шахрайства, фільтрація спаму і т.д.
Недоліки навчання під наглядом:
- Моделі навчання під наглядом не підходять для виконання складних завдань.
- Контрольоване навчання не може передбачити правильний результат, якщо дані тесту відрізняються від набору даних навчання.
- Навчання вимагало багато часу на обчислення.
- У навчанні під наглядом нам потрібні достатні знання про класи об’єктів.