Bevezetés a gépi tanulási algoritmusok típusaiba
A gépi tanulás algoritmus típusai vagy AI számítások olyan programok (matematikai és indoklási), amelyek módosítják magukat, hogy jobban teljesítsenek, mivel több információt mutatnak be. Az AI bizonyos részének „adaptálása” azt jelenti, hogy ezek a projektek megváltoztatják az információ feldolgozásának módját egy idő múlva, ugyanúgy, mint az emberek megváltoztatják az információ feldolgozásának módját tanulás útján. Tehát a gépi tanulás vagy az AI kiszámítása egy olyan program, amelynek egy meghatározott módszere van a saját paramétereinek megváltoztatására, tekintettel az adatkészletre vonatkozó korábbi kiállítási elvárásainak kritikájára.
A gépi tanulási algoritmusok minden típusa
Bizonyos változataik a gépi tanulási algoritmusok típusának jellemzésére, de általában motiváció szerint osztályokba sorolhatók, és az alapvető osztályozások a következők:
- Felügyelt tanulás
- Nem felügyelt tanulás
- Félig felügyelt tanulás
- Erősítő tanulás
Mi az a felügyelt tanulás?
Felügyelt tanulás, ahol megfontolhatja, hogy a tanulást egy oktató vezeti. Van egy adatkészlet, amely oktatóként működik, és feladata a modell vagy a gép előkészítése. Amikor a modell elkészül, új információkkal való ellátásakor elkezdhet várakozással vagy választással rendezni.
Példa felügyelt tanulásra:
- Nagyon sok fotót kap az adatokkal arról, hogy mi található rajta, és ezt követően kiképezi a modellt, hogy érzékelje az új fényképeket.
- Sok adata van a házak árairól, méretük és elhelyezkedésük alapján, és beilleszti a modellbe, és kiképezi, akkor az általad táplált adatok alapján megjósolhatja más házak árát.
- Ha azt szeretné megjósolni, hogy az üzenete spam, vagy nem a régebbi üzenet alapján van, akkor előre jelezheti, hogy az új üzenet spam vagy sem.
A felügyelt tanulási algoritmus a következő:
1) Lineáris regresszió
A lineáris regresszió értékes a két állandó tényező közötti kapcsolat felfedezéséhez. Az egyik prediktor vagy autonóm változó, a másik pedig reakció vagy kórterem. Mérhető kapcsolatot keres, de nem determinisztikus kapcsolatot. A két tényező közötti kapcsolatot determinisztikusnak mondják azon esélyre, hogy az egyik változó pontosan kommunikálható a másikkal. Például, ha a hőmérsékletet Celsius-fokban használják, elképzelhető, hogy pontosan előre jelezze Fahrenheit-értéket. A ténybeli kapcsolat nem pontos a két tényező közötti kapcsolat eldöntésekor. Például csatlakoztatás valahol a magasság és a súly tartományában. A lényeg az, hogy olyan sort szerezzenek, amely legjobban megfelel az információnak. A legmegfelelőbb vonal az, amelyre az összes előrejelzési hiba (az összes információ középpontjában áll) annyira kevés, mint az adott körülmények között elvárható lenne. A hiba a regressziós vonal közötti pont elválasztása.
2) Döntési fák
A Döntési fa egy döntést segítő eszköz, amely fához hasonló diagramot vagy modellt használ a döntésekkel és azok lehetséges kimenetelével, beleértve a véletlen esemény eredményeit, az erőforrás költségeit és a segédprogramot. Fedezze fel a képet, hogy érzetet kapjon arról, amire hasonlít.
3) Naiv Bayes-osztályozás
A Naive Bayes az alapvető valószínűségű osztályozókat egy csoportba sorolja, amely a Bayes-elmélet erős (nem kifinomult) önkormányzással történő alkalmazásától függ, és amely a Naive Bayes jellemzőit jellemzi. Ez az osztályozás Néhány hitelesíthető modell a következő:
Az e-mail spamként való bélyegzése vagy nem spam
Rendeljen hírcsomagot az innovációról, a kormányzati kérdésekről vagy a sportról
Ellenőrizze egy kis anyagot, amely pozitív érzelmeket vagy negatív érzelmeket bocsát ki?
Arcfelismerő programozáshoz használható.
4) Logisztikus regresszió
A logisztikus regresszió egy úttörő tényszerű módszer a binomiális eredmény legalább egy informatív tényezővel történő bemutatására. Kvantitatív módon határozza meg az abszolút kóros változó és legalább egy szabad tényező közötti kapcsolatot a valószínűségek logisztikai kapacitással történő kiértékelésével, amely a kombinált logisztikai allokáció.
A regresszió általában a valós életben használható, mint például:
Hitel pontszám
A piac vagy a vállalat sikerének mértéke
Bármely cég vagy termék bevételének előrejelzése
Van-e földrengés bármely nap?
5) Rendes legkisebb négyzetek regressziója
A legkisebb négyzetek a közvetlen regresszió végrehajtásának stratégiája. a közvetlen regresszió az a vonal, amely sok fókuszon át illeszkedik. Különféle lehetséges eljárások léteznek erre, és a „szokásos legkisebb négyzetek” rendszer így működik - Húzhat egy vonalat, és ezt követően az összes adatközpont számára megmérheti a pont és a vonal közötti függőleges távolságot, és ezeket beillesztheti. fel; az illesztett vonal az a hely, ahol a partíciók összesítése annyira szegény, mint a jelenlegi helyzetre tekintettel normális lehet.
Mi az a felügyelet nélküli tanulás?
A modell az érzékelésen keresztül tanul és felfedezi az információk struktúráit. Amikor a modellnek adatállományt kap, következésképpen felfedez példákat és kapcsolatokat az adatkészletben kötegek készítésével. Nem csinál jeleket a csomóhoz, hasonlóan ahhoz, hogy ez alma- vagy mangógyűjteményt nem mondhat el, mindazonáltal minden almát elkülönít a mangóktól.
Tegyük fel, hogy az almáról, a banánról és a mangóról képeket jelenítettünk meg a modell számára, tehát amit tesz, bizonyos példák és összefüggések fényében csomókat és megosztva az adatkészletet ezekbe a csoportokba. Jelenleg, ha más információt erősítenek a modellben, akkor hozzáadja azt az egyik elkészített csokorhoz.
Példa a felügyelet nélküli tanulásra
- Nagyon sok fotó van 6 személyről, de nincs adat arról, hogy ki melyen van, és ezt az adatkészletet 6 halomra kell elkülöníteni, mindegyikben egy személy fényképei vannak.
- Van részecskéite, ezek egy része gyógyszer, részben azonban nem hiszi, hogy melyik lesz, és számításokra van szüksége a gyógyszerek megtalálásához.
A nem felügyelt tanulási algoritmus a következő
Klaszterek
A klaszterezés fontos gondolat az önkéntes tanulás szempontjából. Leginkább sikerül struktúrát vagy példát találni a nem kategorizált információk gyűjtése során. A csoportosítási számítások feldolgozzák az információkat és felfedezik a jellemző klasztereket (csoportokat) abban az esetben, ha léteznek az információban. Hasonlóképpen megváltoztathatja, hogy hány csomót kell megkülönböztetni a számításaiból. Ez lehetővé teszi ezen összejövetelek granularitásának megváltoztatását.
Különböző típusú fürtök használhatók
- Szelektív (felosztás)
- Modell: K-átlag
- agglomeratív
- Modell: Hierarchikus klaszterezés
- fedő
- Modell: Homályos C-eszközök
- Valószínűségi
Fürtöző algoritmus típusok
- Hierarchikus csoportosulás
- K-jelentése csoportosulás
- K-NN (k legközelebbi szomszéd)
- Főkomponens analízis
- Magányos érték bomlás
- Független elemzés
- Hierarchikus klaszterezés
Hierarchikus klaszterezés
A hierarchikus klaszterezés egy olyan számítás, amely csoportok csúcsos sorrendjét hozza létre. Mindegyik információval kezdődik, amelyet a saját csoportjuknak adnak ki. Itt két közeli csoport lesz egy hasonló csoportban. Ez a számítás akkor zárul le, ha csak egy csoport van hátra.
K-jelenti a klaszterolást
K azt jelenti, hogy egy iteratív csoportosítási számítás, amely arra ösztönzi Önt, hogy keresse meg az egyes kiemelésekre a legmegfigyelhetőbb ösztönzőket. Eleinte az ideális csoportszámot választják meg. Ebben a klaszterezési technikában össze kell gyűjtenie azokat az információkat, amelyek a k összegyűjtésre összpontosítanak. A nagyobb k azt jelenti, hogy kisebb apró összejövetelek is nagyobb részletességgel járnak. Az alacsonyabb k nagyobb összejöveteleket jelent, kevésbé részletességgel.
A számítás hozama a „nevek” összegyűjtése. Ez lehetővé teszi az információ megjelenítését a k összegyűjtés egyikére. A k-mean klaszterban az egyes összegyűjtéseket az jellemzi, hogy minden összegyűjtéshez centridot készítenek. A centroidák olyanok, mint a csomópontja, amely elkapja a hozzájuk legközelebb eső fókuszokat, és hozzáadja őket a csoporthoz.
A K-átlag csoportosítása tovább jellemzi két alcsoportot
- Agglomerációs csoportosulás
- dendrogram
Agglomerációs csoportosulás
Az ilyen K-eszközök csoportosítása rögzített számú csomóval kezdődik. Az összes információt pontos számú csoportra osztja. Ez a klaszterezési stratégia nem igényli a K csoportok számát információként. Az agglomerációs eljárás azzal kezdődik, hogy minden nullapontot magányos csomóként alakítunk ki.
Ez a stratégia valamilyen elválasztási intézkedést alkalmaz, csökkenti a csokrok számát (minden kiemelésben egy) a folyamat kombinálásával. Összegezve: van egy fő csoport, amely tartalmazza az összes cikket.
dendrogram
A Dendrogram klaszterezési technikában minden szint egy elképzelhető csoporttal fog beszélni. A dendrogram magassága megmutatja a két összekapcsoló csokor közötti hasonlóság mértékét. Minél közelebb vannak az eljárás alapjához, fokozatosan összehasonlítható csoport, amely a dendrogramból történő összegyűjtés megállapítása, amely nem jellemző és nagyrészt elvont.
K-Legközelebbi szomszédok
A legközelebbi szomszéd a legegyszerűbb az összes AI osztályozó közül. Ez eltér a többi AI eljárástól, abban az értelemben, hogy nem szolgáltat modellt. Ez egy egyszerű számítás, amely minden elérhető esetet tárol, és a hasonlóságtól függő új példákat jellemzi.
Nagyon jól működik, ha különbséget tesznek a modellek között. A tanulási arány mérsékelt, ha hatalmas a készítménykészlet, és az elválasztási ábra nem triviális.
Főkomponensek elemzése
Abban az esélyben, hogy magasabb dimenziós térre van szüksége. Ki kell választania ennek a helynek az okát, és csak ennek a feltevésnek a 200 legfontosabb pontját. Ezt az alapot fő komponensként ismerték. A kiválasztott részhalmaz egy másik hely, amelynek mérete kicsi, ellentétben az egyedi térrel. Ugyanakkor fenntartja az információk sokrétű jellegét, amint az elvárható volt.
Mi az a megerősítéses tanulás?
A szakember képessége együttműködni a földdel és felfedezni, mi a legjobb eredmény. A hit és az előzetes technika ötletét követi. Az üzemeltetőt díjazzák vagy büntetik egy ponttal a jogért vagy az alap nélküli válaszért, és a pozitív jutalom alapján a kiválasztott fókuszpontok alapján a modell magát vonati. Ugyanakkor, újra elkészítve, előkészíti a bevezetett új információk előrejelzését.
Példa a megerősítő tanulásra
- A hosszú távra optimalizálva hirdetéseket jeleníthet meg, a felhasználók szerint a nem tetszik
- Ismerje meg a valós időben felhasznált hirdetési költségvetést
- az inverz megerősítés megtanulása az ügyfelek ismeretére, mint a jobb nem tetszik
Mi az a félig felügyelt tanulás?
Félig felügyelt típusú tanulás esetén a számítást elnevezett és nem címkézett információk keveréke alapján készítik el. Általában ez a keverék korlátozott mennyiségű megnevezett információt és sok címkézetlen információt tartalmaz. A benne szereplő alapvető módszer az, hogy először a szoftvermérnök összehasonlíthatatlan információkat csoportosít egy segítő nélküli tanulási számítás felhasználásával, majd ezt követően felhasználja az aktuálisan megnevezett információkat a fel nem jelölt információk fennmaradó részének megnevezésére. Az ilyen típusú számítások szokásos felhasználási példáinak tipikus tulajdonságaik vannak - köztük a címkézés nélküli információk beszerzése általában szerény, miközben az említett információk megnevezése túl drága. Természetesen elképzelhető a tanulási számítások három fajtája úgy, hogy felügyelt módon valósul meg, ha az alsó tanulmányt oktató felügyelete alatt végzik mind otthon, mind az iskolában; felügyelet nélkül valósulhat meg, ha az alul tanulmányozónak saját magának kell értenie egy ötletet, és félig felügyeltnek kell lennie abban az esetben, ha egy az oktató néhány ötletet mutat be az osztályban, és iskolai munkaként kérdezi, amelyek összehasonlítható ötletektől függnek.
Példa a félig felügyelt tanulásra
Kiemelkedő, hogy több információ = jobb minőségű modellek az alapos tanulásban (egyértelműen egy adott szülési pontig, de leggyakrabban nincs ilyen információnk.) Legyen az egyébként is, ha a megjelölt információk megszerzése költséges. Abban az esetben, ha el kell készítenie a szárnyas állatok megkülönböztetésére szolgáló modellt, akkor sok kamerát állíthat be a szárnyasok képeinek követésére. Ez általában szerény. Az egyének szerződése e fényképek megjelöléséhez költséges. Fontolja meg annak a lehetőségét, hogy hatalmas számú képe van szárnyas állatokról, ám csak szerződjön az egyénekkel, hogy megjelölje a képek egy részét. Mint kiderült, nemcsak a modelleket a megjelölt részhalmazon edzheti, hanem a teljes edzéskészletnél előkészítheti a modellt, mielőtt hozzánevezi a megnevezett részhalmazhoz, és ezen a vonalon mutathatja a javulás végrehajtásának jeleit. Ez félig felügyelt tanulás. Ez elteszi a készpénzt.
Következtetés
Sokféle gépi tanulási algoritmus létezik, és különféle feltételektől függően a legjobb eredmény eléréséhez a legmegfelelőbb algoritmust kell használnunk. Számos olyan algoritmus található, amelyek megtalálják az egyes gépi tanulási algoritmusok legmegfelelőbb pontosságát, és melyik a legpontosabb, amit használnunk kell. Minimalizálhatjuk az egyes algoritmusok hibáját az adatok zajának csökkentésével. Végül azt mondom, hogy nincs egyetlen gépi tanulási algoritmus, amely 100 százalékos pontosságot adhat neked, még az emberi agy sem tudja ezt megtenni, így keresse meg az Ön adataihoz a legjobb fenyő algoritmust.
Ajánlott cikkek
Ez egy útmutató a gépi tanulási algoritmusok típusaihoz. Itt tárgyaljuk, mi az a gépi tanulási algoritmus? És annak típusai magukban foglalják a felügyelt tanulást, a felügyelet nélküli tanulást, a félig felügyelt tanulást, a megerősítő tanulást. A következő cikkeket is megnézheti további információkért -
- Gépi tanulási módszerek
- Gépi tanulás könyvtárak
- Gépi tanulási modellek
- Gépi tanulási keretek
- Hiperparaméter gépi tanulás
- Hierarchikus csoportosítás | Agglomerációs és megosztó csoportosulás
- Hozzon létre döntési fát Hogyan lehet létrehozni Előnyök
- Gépi tanulás életciklusa A 8 legfontosabb szakasz