Prižiūrimas mokymasis yra mašininio mokymosi tipai, kai mašinos apmokomos naudojant gerai „pažymėtus“ mokymo duomenis, o remdamosi šiais duomenimis mašinos numato išvestį. Pažymėti duomenys reiškia, kad kai kurie įvesties duomenys jau pažymėti teisinga išvestimi.
Prižiūrimo mokymosi metu mašinoms pateikti mokymo duomenys veikia kaip vadovas, kuris moko mašinas teisingai numatyti išvestį. Ji taiko tą pačią koncepciją, kurios mokinys mokosi prižiūrimas mokytojo.
Prižiūrimas mokymasis – tai įvesties duomenų ir teisingų išvesties duomenų pateikimo mašininio mokymosi modeliui procesas. Prižiūrėto mokymosi algoritmo tikslas yra raskite susiejimo funkciją, skirtą įvesties kintamajam (x) susieti su išvesties kintamuoju (y) .
Realiame pasaulyje gali būti naudojamas prižiūrimas mokymasis Rizikos vertinimas, vaizdų klasifikavimas, sukčiavimo aptikimas, šiukšlių filtravimas ir kt.
Kaip veikia prižiūrimas mokymasis?
Prižiūrimo mokymosi metu modeliai mokomi naudojant pažymėtą duomenų rinkinį, kuriame modelis sužino apie kiekvieną duomenų tipą. Baigus mokymo procesą, modelis išbandomas remiantis bandymo duomenimis (mokymo rinkinio poaibis), o tada numato išvestį.
Prižiūrimo mokymosi veikimas gali būti lengvai suprantamas pagal toliau pateiktą pavyzdį ir diagramą:
Tarkime, kad turime įvairių formų tipų duomenų rinkinį, kurį sudaro kvadratas, stačiakampis, trikampis ir daugiakampis. Dabar pirmas žingsnis yra tai, kad turime išmokyti kiekvienos formos modelį.
- Jei duota forma turi keturias puses ir visos kraštinės yra lygios, tada ji bus pažymėta kaip a Kvadratas .
- Jei nurodyta forma turi tris puses, ji bus pažymėta kaip a trikampis .
- Jei nurodyta forma turi šešias lygias puses, ji bus pažymėta kaip šešiakampis .
Dabar, po treniruotės, mes išbandome savo modelį naudodami testų rinkinį, o modelio užduotis yra nustatyti formą.
Mašina jau yra išmokyta naudoti visų tipų formas, o radusi naują formą klasifikuoja formą pagal daugybę pusių ir numato produkciją.
Veiksmai, susiję su prižiūrimu mokymusi:
- Pirmiausia nustatykite mokymo duomenų rinkinio tipą
- Surinkite/surinkite pažymėtus treniruočių duomenis.
- Padalinkite treniruočių duomenų rinkinį į mokymą duomenų rinkinys, bandomasis duomenų rinkinys ir patvirtinimo duomenų rinkinys .
- Nustatykite mokymo duomenų rinkinio įvesties ypatybes, kurios turėtų turėti pakankamai žinių, kad modelis galėtų tiksliai numatyti išvestį.
- Nustatykite modeliui tinkamą algoritmą, pvz., paramos vektoriaus mašiną, sprendimų medį ir kt.
- Vykdykite algoritmą mokymo duomenų rinkinyje. Kartais mums reikia patvirtinimo rinkinių kaip valdymo parametrų, kurie yra mokymo duomenų rinkinių poaibis.
- Įvertinkite modelio tikslumą pateikdami bandymų rinkinį. Jei modelis numato teisingą išvestį, tai reiškia, kad mūsų modelis yra tikslus.
Prižiūrimų mašininio mokymosi algoritmų tipai:
Prižiūrimas mokymasis gali būti skirstomas į dviejų tipų problemas:
1. Regresija
Regresijos algoritmai naudojami, jei yra ryšys tarp įvesties kintamojo ir išvesties kintamojo. Jis naudojamas nenutrūkstamiems kintamiesiems, pvz., Orų prognozei, Rinkos tendencijoms ir kt., numatyti. Toliau pateikiami keli populiarūs regresijos algoritmai, kuriems taikomas prižiūrimas mokymasis:
- Tiesinė regresija
- Regresijos medžiai
- Netiesinė regresija
- Bajeso tiesinė regresija
- Polinominė regresija
2. Klasifikacija
Klasifikavimo algoritmai naudojami, kai išvesties kintamasis yra kategoriškas, o tai reiškia, kad yra dvi klasės, pvz., Taip-Ne, Vyras-Moteris, Tiesa-klaidingas ir kt.
Šlamšto filtravimas,
- Atsitiktinis miškas
- Sprendimų medžiai
- Logistinė regresija
- Palaiko vektorines mašinas
Pastaba: Šiuos algoritmus išsamiai aptarsime vėlesniuose skyriuose.
Prižiūrimo mokymosi privalumai:
- Pasitelkęs prižiūrimą mokymąsi, modelis gali numatyti produkciją, remdamasis ankstesne patirtimi.
- Mokydamiesi prižiūrint, galime turėti tikslų supratimą apie objektų klases.
- Prižiūrimas mokymosi modelis padeda mums išspręsti įvairias realaus pasaulio problemas, pvz sukčiavimo aptikimas, šiukšlių filtravimas ir kt.
Prižiūrimo mokymosi trūkumai:
- Prižiūrimi mokymosi modeliai nėra tinkami sudėtingoms užduotims atlikti.
- Prižiūrimas mokymasis negali numatyti teisingos išvesties, jei testo duomenys skiriasi nuo mokymo duomenų rinkinio.
- Mokymai pareikalavo daug skaičiavimo laiko.
- Mokantis prižiūrint, mums reikia pakankamai žinių apie objektų klases.