Supervised Learning trong Machine Learning là gì? Trong Supervised Machine Learning, bạn huấn luyện, đào tạo cho máy của bạn sử dụng dữ liệu được “dán nhãn”. Điều đó có nghĩa là một số dữ liệu đã được gắn thẻ với câu trả lời chính xác. Điều đó giống như bạn đang tự học nhưng lại có mặt của người giám sát hoặc giáo viên.
Một thuật toán Supervised Learning, học từ những tài liệu đã được dán nhãn, giúp bạn Dự kiến tác dụng cho tài liệu không lường trước được .Xây dựng thành công xuất sắc, nhân rộng và tiến hành những mô hình học máy được giám sát đúng chuẩn cần có thời hạn và trình độ kỹ thuật từ một nhóm những nhà khoa học dữ liệu có kinh nghiệm tay nghề cao. Hơn nữa, nhà khoa học dữ liệu phải kiến thiết xây dựng lại những quy mô để bảo vệ những hiểu biết được đưa ra vẫn đúng cho đến khi tài liệu của nó biến hóa .
Trong hướng dẫn này, bạn sẽ học:
- Supervised Learning là gì?
- Supervised Learning hoạt động như thế nào.
- Các loại thuật toán của Supervised Learning.
- Supervised & Unsupervised cùng các công nghệ, kỹ thuật.
- Những thách thức trong Supervised Learning.
- Ưu điểm của Supervised Learning:
- Nhược điểm của việc học có giám sát
- Thực hành tốt nhất cho việc học có giám sát
Supervised Learning hoạt động như thế nào?
Ví dụ, bạn muốn giảng dạy một cỗ máy để giúp bạn Dự kiến bạn sẽ mất bao lâu để lái xe về nhà từ nơi thao tác. Tại đây, bạn mở màn bằng cách tạo một tập hợp tài liệu được dán nhãn. Dữ liệu này gồm có
- Điều kiện thời tiết
- Thời gian trong ngày
- Ngày lễ
- Chọn đường đi
Tất cả những cụ thể này là nguồn vào của bạn. Đầu ra là lượng thời hạn thiết yếu để lái xe trở lại nhà vào ngày đơn cử đó .
Theo bản năng, bạn biết rằng nếu trời mưa, thì bạn sẽ mất nhiều thời hạn hơn để lái xe về nhà. Nhưng máy thì sẽ cần tài liệu và số liệu thống kê .Bây giờ tất cả chúng ta hãy xem làm thế nào bạn hoàn toàn có thể tăng trưởng một quy mô học tập có giám sát của ví dụ này để giúp người dùng xác lập thời hạn đi làm. Điều tiên phong bạn cần tạo là một bộ đào tạo và giảng dạy. Tập huấn luyện này sẽ chứa tổng thời hạn đi lại và những yếu tố tương ứng như thời tiết, thời hạn, v.v. Dựa trên tập huấn luyện này, máy của bạn hoàn toàn có thể thấy có mối quan hệ trực tiếp giữa lượng mưa và thời hạn bạn sẽ về nhà .Vì vậy, nó càng khẳng định chắc chắn rằng trời càng mưa, bạn sẽ lái xe càng lâu để trở về nhà. Nó cũng hoàn toàn có thể thấy liên kết giữa thời hạn bạn nghỉ làm và thời hạn bạn sẽ đi trên đường .Bạn càng gần 6 giờ tối. bạn càng mất nhiều thời hạn để về nhà. Máy của bạn hoàn toàn có thể tìm thấy 1 số ít mối quan hệ với tài liệu được dán nhãn của bạn .
Đây là sự khởi đầu của Mô hình tài liệu của bạn. Nó khởi đầu ảnh hưởng tác động như cách mưa ảnh hưởng tác động đến cách mọi người lái xe. Nó cũng khởi đầu cho thấy rằng nhiều người đi du lịch trong một thời hạn đơn cử trong ngày .
Các loại thuật toán học máy được giám sát
Hồi quy:
Kỹ thuật hồi quy Dự kiến một giá trị đầu ra duy nhất sử dụng tài liệu đào tạo và giảng dạy .Ví dụ : Bạn hoàn toàn có thể sử dụng hồi quy để Dự kiến giá nhà từ tài liệu đào tạo và giảng dạy. Các biến nguồn vào sẽ là địa phương, kích cỡ của một ngôi nhà, vv
Điểm mạnh: Đầu ra luôn có một diễn giải xác suất và thuật toán có thể được thường xuyên hóa để tránh bị thừa.
Điểm yếu: Hồi quy logistic có thể hoạt động kém khi có nhiều ranh giới quyết định phi tuyến tính. Phương pháp này không linh hoạt, vì vậy nó không nắm bắt được các mối quan hệ phức tạp hơn.
Hồi quy logistic:
Phương pháp hồi quy logistic được sử dụng để ước tính các giá trị rời rạc dựa trên một tập hợp các biến độc lập. Nó giúp bạn dự đoán xác suất xảy ra sự kiện bằng cách khớp dữ liệu với chức năng logit. Do đó, nó còn được gọi là hồi quy logistic. Vì nó dự đoán xác suất, giá trị đầu ra của nó nằm trong khoảng từ 0 đến 1.
Dưới đây là một vài loại thuật toán hồi quy
Phân loại:
Phân loại có nghĩa là nhóm đầu ra bên trong một lớp. Nếu thuật toán cố gắn nhãn đầu vào thành hai lớp riêng không liên quan gì đến nhau, nó được gọi là phân loại nhị phân. Chọn giữa nhiều hơn hai lớp được gọi là phân loại đa lớp .
Ví dụ: Xác định xem có ai đó sẽ là người trả nợ cho khoản vay hay không.
Điểm mạnh: Cây phân loại thực hiện rất tốt trong thực tế
Điểm yếu: Không bị giới hạn, các cây riêng lẻ dễ bị quá mức.
Dưới đây là một vài loại Thuật toán phân loại
Phân loại Naïve Bayes
Mô hình Naïve Bayesian ( NBN ) rất dễ kiến thiết xây dựng và rất hữu dụng cho những bộ tài liệu lớn. Phương pháp này gồm có những biểu đồ chu kỳ luân hồi trực tiếp với một cha mẹ và một vài đứa trẻ. Nó giả định sự độc lập giữa những nút con tách khỏi cha mẹ của chúng .
Cây quyết định
Cây quyết định hành động phân loại bộc lộ bằng cách sắp xếp chúng dựa trên giá trị tính năng. Trong phương pháp này, mỗi chính sách là tính năng của một biểu lộ. Nó nên được phân loại và mỗi nhánh đại diện thay mặt cho một giá trị mà nút hoàn toàn có thể giả định. Nó là một kỹ thuật được sử dụng thoáng đãng để phân loại. Trong giải pháp này, phân loại là một cây được gọi là cây quyết định hành động .Nó giúp bạn ước tính giá trị thực ( ngân sách mua xe, số lượng cuộc gọi, tổng doanh thu hàng tháng, v.v. ) .
Hỗ trợ máy Vector
Máy vectơ tương hỗ ( SVM ) là một loại thuật toán học tập được tăng trưởng vào năm 1990. Phương pháp này dựa trên tác dụng từ kim chỉ nan học thống kê được ra mắt bởi v.v.Máy SVM cũng chặt chẽkết nối với những hàm kernel là một khái niệm TT cho hầu hết những trách nhiệm học tập. Khung nhân và SVM được sử dụng trong nhiều nghành. Nó gồm có truy xuất thông tin đa phương tiện, tin sinh học và nhận dạng mẫu .
Các kỹ thuật học máy được giám sát so với không giám sát
Dựa trên kỹ thuật học máy được giám sát Kỹ thuật học máy không giám sát
Thuật toán dữ liệu đầu vào được đào tạo sử dụng dữ liệu được dán nhãn. Các thuật toán được sử dụng đối với dữ liệu không được gắn nhãn
Độ phức tạp tính toán trong Supervised Learning là một phương pháp đơn giản hơn. Unsupervised Learning là phức tạp tính toán
Độ chính xác Phương pháp rất chính xác và đáng tin cậy. Phương pháp ít chính xác và đáng tin cậy.
Những thách thức trong Supervised Learning
Đây là những thách thức phải đối mặt trong Supervised Learning:
Tính năng nhập liệu không liên quan hiện tại dữ liệu đào tạo có thể cho kết quả không chính xác
Chuẩn bị dữ liệu và xử lý trước luôn là một thách thức.
Độ chính xác bị ảnh hưởng khi các giá trị không thể, không thể và không đầy đủ đã được nhập vào dưới dạng dữ liệu đào tạo
Nếu chuyên gia liên quan không có sẵn, thì cách tiếp cận khác là “vũ phu”. Điều đó có nghĩa là bạn cần nghĩ rằng các tính năng phù hợp (biến đầu vào) để huấn luyện máy. Nó có thể không chính xác.
Ưu điểm của Supervised Learning:
Học có giám sát cho phép bạn thu thập dữ liệu hoặc tạo đầu ra dữ liệu từ trải nghiệm trước đó
Giúp bạn tối ưu hóa tiêu chí hiệu suất bằng kinh nghiệm
Học máy được giám sát giúp bạn giải quyết các loại vấn đề tính toán trong thế giới thực.
Nhược điểm của Supervised Learning:
Ranh giới quyết định có thể được tập trung quá mức nếu tập huấn luyện của bạn không có ví dụ mà bạn muốn có trong một lớp
Bạn cần chọn nhiều ví dụ hay từ mỗi lớp trong khi bạn đang đào tạo trình phân loại.
Phân loại dữ liệu lớn có thể là một thách thức thực sự.
Đào tạo cho việc học có giám sát cần rất nhiều thời gian tính toán.
Thực hành tốt nhất cho Supervised Learning
Trước khi làm bất cứ điều gì khác, bạn cần phải quyết định loại dữ liệu nào sẽ được sử dụng làm tập huấn luyện
Bạn cần quyết định cấu trúc của hàm đã học và thuật toán học.
Gathere đầu ra tương ứng hoặc từ các chuyên gia của con người hoặc từ các phép đo
Tóm lược:
- Trong Supervised Learning, bạn huấn luyện máy sử dụng dữ liệu được “dán nhãn”.
- Bạn muốn đào tạo một cỗ máy giúp bạn dự đoán bạn sẽ mất bao lâu để lái xe về nhà từ nơi làm việc là một ví dụ về việc học có giám sát
- Hồi quy và Phân loại là hai loại kỹ thuật Supervised Learning.
- Supervised Learning là một phương pháp đơn giản hơn trong khi học tập không giám sát là một phương pháp phức tạp.
- Thách thức lớn nhất trong học tập có giám sát là tính năng nhập liệu không liên quan hiện tại có thể cho kết quả không chính xác.
- Ưu điểm chính của việc học có giám sát là nó cho phép bạn thu thập dữ liệu hoặc tạo ra dữ liệu đầu ra từ trải nghiệm trước đó.
- Hạn chế của mô hình này là ranh giới quyết định có thể bị giới hạn nếu tập huấn luyện của bạn không có ví dụ mà bạn muốn có trong một lớp.
- Là một cách thực hành tốt nhất trong việc giám sát việc học, trước tiên bạn cần quyết định loại dữ liệu nào sẽ được sử dụng làm tập huấn luyện.
