Mokymosi prižiūrimas ir neprižiūrimas supratimas

Prižiūrimas mokymasis
neprižiūrimas mokymasis
duomenys
Mokymosi prižiūrimas ir neprižiūrimas supratimas cover image

Prižiūrimas mokymasis

Prižiūrimas mokymasis apima modelio mokymą pažymėtame duomenų rinkinyje. Pažymėti duomenys reiškia, kad įvesties duomenys yra suporuoti su teisinga išvestimi. Tikslas yra, kad modelis išmoktų įvesties ir išvesties atvaizdavimą arba ryšį, kad būtų galima numatyti arba tiksliai klasifikuoti naujus, nematomus duomenis. Yra du pagrindiniai prižiūrimo mokymosi tipai:

Klasifikacija: tai apima kategorinės etiketės numatymą. Pavyzdžiui, nustatyti, ar el. laiškas yra šlamštas, ar ne šlamštas, remiantis tam tikromis funkcijomis (pvz., vartojamais žodžiais, siuntėjas ir kt.). Klasifikavimui naudojami tokie algoritmai kaip paramos vektorių mašinos (SVM), sprendimų medžiai ir neuroniniai tinklai.

  • Regresija: apima nuolatinės vertės numatymą. Pavyzdžiui, namo kainos numatymas pagal jo ypatybes, tokias kaip plotas, miegamųjų kambarių skaičius ir kt. Regresijos užduotims atlikti naudojami tokie algoritmai kaip tiesinė regresija, atsitiktinis miškas ir gradiento didinimas.

Mokymasis be priežiūros

Neprižiūrimas mokymasis apima modelio mokymą nepažymėtame duomenų rinkinyje. Čia algoritmas bando rasti paslėptus šablonus arba būdingas struktūras duomenyse be jokios aiškios priežiūros. Tikslas yra ištirti duomenis, suprasti jų struktūrą ir gauti reikšmingų įžvalgų. Įprasti neprižiūrimo mokymosi tipai:

Sugrupavimas: panašių duomenų taškų grupavimas pagal tam tikras savybes ar panašumus. Pavyzdžiui, klientų segmentų grupavimas pagal jų pirkimo elgseną naudojant tokius algoritmus kaip K-Means arba Hierarchical Clustering.

Matmenų mažinimas: funkcijų skaičiaus sumažinimas išsaugant esminę informaciją. Pagrindinių komponentų analizė (PCA) ir t-Distributed Stochastic Neighbor Embedding (t-SNE) naudojami didelės dimensijos duomenims vizualizuoti žemesnio matmens erdvėje.

Kada naudoti kiekvieną

  • Prižiūrimas mokymasis naudojamas, kai turite pažymėtus duomenis ir norite numatyti arba klasifikuoti būsimus atvejus pagal tuos pažymėtus duomenis. Pavyzdžiui, jei turite istorinių duomenų apie klientų pirkimus ir norite numatyti būsimus pirkinius, tinkamas mokymasis prižiūrimas.

  • Neprižiūrimas mokymasis naudojamas, kai neturite pažymėtų duomenų arba kai norite ištirti ir suprasti pagrindinę duomenų struktūrą. Pavyzdžiui, naudojant anomalių aptikimą arba ieškant paslėptų šablonų dideliuose duomenų rinkiniuose.

Kartais abiejų mokymosi tipų derinys, žinomas kaip pusiau prižiūrimas mokymasis, gali būti naudojamas, kai turite nedidelį pažymėtų duomenų kiekį ir daug nepažymėtų duomenų, todėl modeliai gali pasinaudoti abiem informacijos šaltiniais. .


Career Services background pattern

Karjeros paslaugos

Contact Section background image

Palaikykime ryšį

Code Labs Academy © 2024 Visos teisės saugomos.