Uvod v vrste algoritmov strojnega učenja
Vrste algoritmov strojnega učenja ali izračuni AI so programi (matematika in utemeljitev), ki se prilagodijo za boljše delovanje, saj so predstavljeni več informacijam. "Prilagoditev" določenega dela AI pomeni, da ti projekti čez nekaj časa spremenijo, kako obdelujejo informacije, prav tako pa tudi ljudje spremenijo, kako obdelajo informacije z učenjem. Torej je strojno učenje ali izračun AI program z določeno metodo za spreminjanje njegovih lastnih parametrov, glede na kritike njegovih pričakovanj o naboru preteklih razstav.
Vse vrste algoritmov strojnega učenja
Njihove nekatere sorte, kako opisati vrste algoritmov strojnega učenja, vendar jih je običajno mogoče razdeliti v razrede glede na njihovo motivacijo, pri čemer so priložene temeljne klasifikacije:
- Nadzorovano učenje
- Nenadzorovano učenje
- Napol pod nadzorom učenja
- Okrepitveno učenje
Kaj je nadzorovano učenje
Nadzorovano učenje je mesto, kjer menite, da učenje vodi inštruktor. Imamo nabor podatkov, ki deluje kot vzgojitelj, njegova naloga pa je, da pripravi model ali stroj. Ko se model pripravi, se lahko začne uskladiti s pričakovanjem ali izbiro, ko mu bodo dana nove informacije.
Primer nadzorovanega učenja:
- Dobiš veliko fotografij s podatki o tem, kaj je na njih in po tem treniraš model za zaznavanje novih fotografij.
- Imate veliko podatkov o cenah stanovanj glede na njihovo velikost in lokacijo ter jih vnesete v model in jih izučite, nato pa lahko na podlagi podatkov, ki jih hranite, predvidite ceno drugih hiš.
- če želite napovedati, da je vaše sporočilo neželeno ali ne temelji na starejšem sporočilu, ki ga imate, lahko predvidevate, da je novo sporočilo neželeno ali ne.
Nadzirani algoritem učenja je naslednji:
1) Linearna regresija
linearna regresija je dragocena za odkrivanje povezave med dvema obstojnima dejavnikoma. Ena je napovedovalka ali avtonomna spremenljivka, druga pa je spremenljivka reakcije ali zaščite. Išče merljiv odnos, vendar ne determiniran odnos. Povezava med dvema dejavnikoma naj bi bila odločena naključno, da lahko ena spremenljivka natančno sporoči drugo. Na primer z uporabo temperature v stopinjah Celzija je možno natančno predvideti Fahrenheit. Dejansko razmerje ni natančno pri odločanju o povezavi med dvema dejavnikoma. Na primer, povezava nekje v območju visokega in teže. Središčna misel je pridobiti črto, ki najbolje ustreza informacijam. Najbolj primerna linija je tista, za katero je vso napovedno napako (vse osredotočenosti na informacije) manj, kot bi bilo mogoče pričakovati v danih okoliščinah. Napaka je ločitev med točko do regresijske črte.
2) Drevesa odločanja
Odločilno drevo je pripomoček za odločanje, ki uporablja drevesni diagram ali model odločitev in njihove potencialne izide, vključno z rezultati naključnih dogodkov, stroški virov in koristnostjo. Raziščite sliko, da dobite občutek, kako spominja.
3) Klasifikacija naivnih Bayesov
Naive Bayes razvrsti skupino osnovnih verjetnostnih klasifikatorjev, ki so odvisni od uporabe Bayesove teorije z močnim (nedorečenim) samoupravljanjem lastnosti Naive Bayes. Ta razvrstitev Nekateri od certificiranih modelov so:
Za žigosanje e-pošte kot neželene pošte ali neželene pošte
Naročite novico o inovacijah, vladnih vprašanjih ali športu
Preverite kanček snovi, ki izraža pozitivna čustva ali negativna čustva?
Uporablja se za programiranje prepoznavanja obrazov.
4) Logistična regresija
Logistična regresija je prelomna faktična metoda za prikaz binomskega rezultata z vsaj enimi informativnimi dejavniki. Količinsko opredeljuje povezavo med absolutno spremenljivko odklona in vsaj enimi prostimi faktorji z oceno verjetnosti z uporabo logistične zmogljivosti, kar je kombinirana logistična odobritev.
Običajno bodo regresije uporabne v resničnem življenju kot:
Bonitetna ocena
Ukrep uspešnosti trga ali podjetja
Predvideti prihodke katerega koli podjetja ali katerega koli izdelka
Ali bo kateri koli dan potres?
5) regresija navadnih najmanjših kvadratov
Najmanj kvadratov je strategija za izvajanje neposredne regresije. Neposredna regresija je podpiranje črte skozi veliko žarišč. Za to obstajajo različni postopki in sistem "navadnih najmanjših kvadratov" poteka tako: Lahko potegnete črto in po tem za vse podatkovne centre izmerite navpični odmik med točko in črto ter jih vključite gor; nameščena črta bi bila kraj tega skupka predelnih sten tako majhna, kot bi lahko bila normalna glede na trenutno situacijo.
Kaj je nenadzorovano učenje?
Model se uči skozi zaznavanje in odkriva strukture v informacijah. Ko model dobi nabor podatkov, posledično odkrije primere in povezave v naboru podatkov, tako da v njem ustvari svežnje. Kar ne more narediti, je dodati šopke, podobno kot ne more navesti, da je to jabolko ali mango, vendar bo vsako jabolko izoliralo od mangov.
Predpostavimo, da smo modelu prikazali slike jabolk, banan in manga, tako da to naredi, glede na nekatere primere in povezave, naredi skupine in razdeli nabor podatkov v te skupine. Trenutno, če je model okrepil še kakšen podatek, ga doda v enega od narejenih šopkov.
Primer nenadzorovanega učenja
- Imate veliko fotografij 6 posameznikov, vendar brez podatkov o tem, kdo je na katerem in morate ta nabor podatkov izolirati v 6 nizov, na vsaki pa fotografije ene osebe.
- Imate delce, del njih so zdravila, del pa ne, vendar se ne zavedate, kaj bo to in za izračun zdravil potrebujete izračun.
Nenadzorovani algoritem učenja je sledeč
Grozd
Grozdanje je pomembna ideja glede učenja brez pomoči. Večinoma uspe najti strukturo ali primer pri zbiranju nekategoriziranih informacij. Izračuni grozdov bodo obdelali vaše podatke in odkrili značilne skupine (skupine), če obstajajo v podatkih. Prav tako lahko spremenite, koliko skupin naj bi razlikovali vaši izračuni. Omogoča vam, da spremenite natančnost teh srečanj.
Obstajajo različne vrste grozdov, ki jih lahko uporabite
- Izbirno (porazdelitev)
- Model: K-pomeni
- Aglomerative
- Model: Hierarhično združevanje
- Pokrivanje
- Model: Mehko C-sredstvo
- Verjetnostna
Vrste algoritma grozda
- Hierarhično združevanje
- K-pomeni grozd
- K-NN (k najbližji sosedje)
- Analiza glavnih komponent
- Razgradnja samotne vrednosti
- Analiza neodvisnih komponent
- Hierarhična gruča
Hierarhična gruča
Hierarhično združevanje je izračun, ki oblikuje kljubovalni vrstni red skupin. Začne se z vsako informacijo, ki jo navaja na svoj kup. Tu sta dve tesni skupini v podobni gomili. Ta izračun se zaključi, ko ostane samo ena skupina.
K-pomeni grozd
K pomeni, da je iterativni izračun grozdov, ki vas spodbudi, da najdete najpomembnejšo spodbudo za vsak poudarek. Sprva izberemo idealno število skupin. V tej tehniki združevanja morate združiti informacije, ki so osredotočene na k zbiranja. Večji k pomeni tudi manj zbiranja z večjo zrnatostjo podobno. Nižji k pomeni večja zbiranja z manj zrnatosti.
Rezultat izračuna je zbiranje "imen". Omogoča, da informacije kažejo na eno od k srečanj. V k-pomeni grozd je za vsako druženje značilno, da naredi centroid za vsako zbiranje. Centroidi so kot jedro skupine, ki lovi žarišča, ki so jim najbližje, in jih doda skupini.
K-srednje združevanje nadalje označuje dve podskupini
- Aglomerativno združevanje
- Dendrogram
Aglomerativno združevanje
Tovrstna skupina K-sredstev se začne s fiksnim številom grozdov. Vse podatke označi v točno določeno število skupin. Ta strategija združevanja ne zahteva števila skupin K kot informacij. Postopek aglomeracije se začne z oblikovanjem vsakega podatka kot samoten kup.
Ta strategija uporablja nekaj ločevalnih ukrepov, s kombiniranjem postopka zmanjša število grozdov (po enega v vsakem poudarku). Za zaključek imamo eno večjo skupino, ki vsebuje vsak izmed člankov.
Dendrogram
V tehniki grozdenja v Dendrogramu bo vsaka stopnja govorila o možnem krogu. Visok dendrogram kaže stopnjo podobnosti med dvema združevalnima šopkom. Čim bližje je osnovnemu postopku, tem so postopno primerljivi svežnji, kar je ugotovitev zbiranja iz dendrograma, ki ni značilen in večinoma abstrakten.
K-najbližji sosedje
K-najbližji sosed je od vseh klasifikatorjev AI najbolj preprost. Od drugih postopkov AI se razlikuje po tem, da ne ponuja modela. To je preprost izračun, ki shrani vsak dostopni primer in odlikuje nove primere, odvisne od merila podobnosti.
Zelo dobro deluje, ko obstaja ločitev med modeli. Stopnja učenja je zmerna, ko je priprava ogromna, ločitvena figura pa netrivialna.
Analiza glavnih komponent
Verjetno, da potrebujete prostor z več dimenzijami. Morate izbrati razlog za ta prostor in samo 200 najpomembnejših rezultatov te premise. Ta osnova je znana kot glavna sestavina. Podnabor, ki ga izberete, vsebuje še en prostor, ki je v velikosti v nasprotju z edinstvenim prostorom. Vseeno ohranja veliko večplastne narave informacij, kot je bilo mogoče pričakovati.
Kaj je okrepitev učenja?
To je sposobnost strokovnjaka, da sodeluje z zemljo in odkrije, kaj je najboljši rezultat. Sledi ideji o hit in predhodni tehniki. Upravljavec je nagrajen ali kaznovan s točko za pravilen ali izven odgovora in na podlagi pozitivnih žarišč nagrajevanja, ki jih je sam izbral. Poleg tega se, ko se enkrat pripravi, pripravi na predvidevanje novih informacij, ki so ji bile predstavljene.
Primer učvrstitvenega učenja
- Prikazovanje oglasov v skladu z uporabnikov, kot so všeč, da optimizirajo dolgoročno
- Poznajte proračun oglasov, ki se uporablja v realnem času
- inverzna okrepitev učenja, da bolje poznajo stranke, kot da ne marajo
Kaj je učenje pod nadzorom?
Napol nadzorovan način učenja, izračun je pripravljen na podlagi kombinacije imenovanih in neoznačenih informacij. Običajno bo ta mešanica vsebovala omejeno količino poimenovanih informacij in veliko neoznačenih informacij. Temeljna metoda, ki je vključena, je, da najprej programski inženir združi primerljive informacije z uporabo izračuna brez pomoči in nato uporabi trenutno imenovane informacije, da poimenuje preostanek neoznačenih informacij. Takšni izračuni navadne uporabe imajo značilno lastnost - Pridobivanje neoznačenih informacij je na splošno skromno, poimenovanje omenjenih informacij pa je nadvse drago. Seveda je mogoče tri vrste učnih izračunov zamisliti kot nadzorovano, pri čemer je pod nadzorom inštruktorja pod nadzorom učitelja doma in v šoli, nenadzorovanega zavedanja, kje pa mora študent smiselno preučiti idejo, in polnadzornega spoznati, kje vzgojitelj v razredu pokaže nekaj idej in poizveduje kot o šolskem delu, ki je odvisno od primerljivih idej.
Primer učenja s polovičnim nadzorom
Izjemno je, da je več informacij = bolj kakovostni modeli pri poglobljenem učenju (do določene omejitvene točke jasno, vendar še vedno pogosteje nimamo toliko informacij.) Kakorkoli že, označevanje informacij je drago. V primeru, da morate pripraviti model, s katerim boste razlikovali krilate živali, lahko postavite veliko kamer, da bi posledično fotografirali kokoši. To je na splošno skromno. Naročilo posameznikov za označevanje teh fotografij je drago. Razmislite o možnosti, da imate ogromno slik s krilatimi živalmi, vendar le posameznike, ki označijo malo podskupin fotografij. Kot se je izkazalo, lahko namesto, da preprosto usposabljate modele na označeni podmnožici, model predhodno izučite na celotnem naboru treningov, preden ga potegnete z imenovano podskupino in po teh vrsticah prikažete znake izvedbe izboljšav. To je učenje pod nadzorom. Odpravi denar.
Zaključek
Obstaja veliko vrst algoritma strojnega učenja, na podlagi različnih in različnih pogojev pa moramo za najboljši rezultat uporabiti algoritem, ki najbolje ustreza. Obstaja veliko algoritmov, ki najdejo najboljšo natančnost vseh vrst algoritmov strojnega učenja in kar je najvišja natančnost, ki jo moramo uporabljati. Napako vsakega algoritma lahko zmanjšamo z zmanjšanjem hrupa podatkov. Na koncu bom rekel, da ne obstaja noben algoritem strojnega učenja, ki bi vam lahko zagotovil 100-odstotno natančnost, tudi človeški možgani tega ne morejo storiti, zato poiščite najboljši algoritem jelke za svoje podatke.
Priporočeni članki
To je vodnik za Vrste algoritmov strojnega učenja. Tukaj razpravljamo o tem, kaj je algoritem strojnega učenja ?, njegove vrste vključujejo nadzorovano učenje, nenadzorovano učenje, polovično nadzorovano učenje, okrepljeno učenje. Če želite izvedeti več, si oglejte tudi naslednje članke -
- Metode strojnega učenja
- Knjižnice strojnega učenja
- Modeli strojnega učenja
- Okviri strojnega učenja
- Strojno učenje hiperparametrov
- Hierarhična gruča | Aglomerativno in delitveno grozdenje
- Ustvari drevo odločitev | Kako ustvariti | Prednosti
- Življenjski cikel strojnega učenja | Top 8 odrov