Введение в типы алгоритмов машинного обучения

Типы алгоритмов машинного обучения или вычисления AI - это программы (математика и обоснование), которые модифицируют себя, чтобы работать лучше, поскольку они представлены для получения дополнительной информации. «Адаптация» некоторой части ИИ подразумевает, что эти проекты изменяют то, как они обрабатывают информацию через некоторое время, так же, как люди меняют то, как они обрабатывают информацию путем обучения. Таким образом, машинное обучение или расчет искусственного интеллекта - это программа с особым методом изменения своих собственных параметров, учитывая критику его прошлых выставочных ожиданий относительно набора данных.

Все типы алгоритмов машинного обучения

Их определенные варианты того, как охарактеризовать типы типов алгоритмов машинного обучения, все же обычно они могут быть разделены на классы в соответствии с их мотивацией, и основные классификации сопровождают:

  1. Контролируемое обучение
  2. Обучение без учителя
  3. Обучение под наблюдением
  4. Усиление обучения

Что такое контролируемое обучение

Обучение под наблюдением - это то, где вы можете учиться под руководством инструктора. У нас есть набор данных, который используется в качестве преподавателя, и его задача - подготовить модель или машину. Когда модель готовится, она может начать рассчитывать на ожидание или выбор, когда ей дается новая информация.

Пример контролируемого обучения:

  1. Вы получаете много фотографий с данными о том, что на них, и после этого вы обучаете модель воспринимать новые фотографии.
  2. У вас есть много данных о ценах на жилье, основанных на их размере и местоположении, и вы вводите их в модель и обучаете, а затем можете прогнозировать цены на другие дома на основе данных, которые вы предоставляете.
  3. если вы хотите предсказать, что ваше сообщение является спамом или не основано на более старом сообщении, которое вы имеете, вы можете предсказать, что новое сообщение является спамом или нет.

Алгоритм контролируемого обучения выглядит следующим образом:

1) Линейная регрессия

Линейная регрессия полезна для выявления связи между двумя постоянными факторами. Один из них является предиктором или автономной переменной, а другой - переменной реакции или опеки. Он ищет измеримые отношения, но не детерминированные отношения. Говорят, что связь между двумя факторами является детерминированной при вероятности того, что одна переменная может быть точно передана другой. Например, используя температуру в градусах Цельсия, можно точно предвидеть Фаренгейт. Фактические отношения не являются точными при определении связи между двумя факторами. Например, связь где-то в пределах роста и веса. Идея центра состоит в том, чтобы найти линию, которая наилучшим образом соответствует информации. Лучше всего подходит линия, для которой общая ошибка прогноза (все фокусы на информацию) настолько малы, насколько можно ожидать в данных обстоятельствах. Ошибка заключается в разделении точки от линии регрессии.

2) Деревья решений

Дерево решений - это гаджет помощи в принятии решений, который использует древовидную диаграмму или модель решений и их потенциальных результатов, включая результаты случайных событий, затраты ресурсов и полезность. Исследуйте изображение, чтобы почувствовать, на что оно похоже.

3) Наивная байесовская классификация

Наивная байесовская классификация представляет собой группу основных вероятностных классификаторов, зависящих от применения теории Байеса с сильным (неискушенным) самоуправлением к чертам Наивного Байеса. Эта классификация Некоторые из сертифицируемых моделей:

Чтобы пометить письмо как спам или не спам

Заказать новость об инновациях, правительственных проблемах или спорте

Проверьте прикосновение вещества, дающее положительные эмоции или отрицательные чувства?

Используется для программирования распознавания лиц.

4) Логистическая регрессия

Логистическая регрессия - это инновационный фактический метод для демонстрации биномиального результата, по крайней мере, с одним информативным фактором. Он количественно определяет связь между абсолютной переменной прихода и, по крайней мере, одним свободным фактором, оценивая вероятности с использованием логистической мощности, которая является комбинированным логистическим присвоением.

Обычно регрессии можно использовать в реальной жизни, например:

Кредитный рейтинг

Мера успеха рынка или компании

Предсказать доход любой компании или любого продукта

Будет ли землетрясение в любой день?

5) Регрессия обычных наименьших квадратов

Наименьшие квадраты - это стратегия выполнения прямой регрессии. Прямая регрессия - это попытка подобрать линию через множество фокусов. Существуют различные потенциальные процедуры для этого, и система «обычных наименьших квадратов» выглядит следующим образом: вы можете нарисовать линию, а после этого для всех центров обработки данных измерить вертикальное расстояние между точкой и линией и включить эти вверх; выделенная линия будет местом, где эта совокупность перегородок будет настолько скудной, насколько это возможно в свете текущей ситуации.

Что такое обучение без учителя?

Модель учится через восприятие и обнаруживает структуры в информации. Когда модели дается набор данных, она, следовательно, обнаруживает примеры и связи в наборе данных, создавая сгустки в ней. Чего он не может сделать, так это добавить отметки в связку, подобно тому, как он не может утверждать, что это сбор яблок или манго, однако он изолирует все яблоки от манго.

Предположим, что мы показали изображения яблок, бананов и манго для модели, поэтому в свете определенных примеров и связей она делает связки и делит набор данных на эти группы. В настоящее время, если в модель добавляется другая информация, она добавляет ее в одну из созданных групп.

Пример обучения без учителя

  1. У вас есть много фотографий 6 человек, но нет данных о том, кто на каком из них, и вам нужно разделить этот набор данных на 6 куч, каждая с фотографиями одного человека.
  2. У вас есть частицы, часть из них - лекарства, а часть - нет, но вы не понимаете, что будет, и вам нужен расчет, чтобы найти лекарства.

Необучаемый алгоритм обучения следующий

Кластеризация

Кластеризация является важной идеей в отношении обучения без посторонней помощи. По большей части удается найти структуру или пример в сборе некатегоризованной информации. Расчеты кластеров обработают вашу информацию и обнаружат характерные кластеры (группы) в том случае, если они существуют в информации. Вы также можете изменить количество сгустков, которое должны различать ваши вычисления. Это позволяет вам изменить гранулярность этих собраний.

Существуют различные виды кластеризации, которые вы можете использовать

  1. Селективный (распределение)
  2. Модель: K-средства
  3. агломерационных
  4. Модель: иерархическая кластеризация
  5. покрытие
  6. Модель: Нечеткое С-Средство
  7. вероятностный

Типы алгоритмов кластеризации

  1. Иерархическая кластеризация
  2. K-означает кластеризацию
  3. K-NN (k ближайших соседей)
  4. Анализ главных компонентов
  5. Одиночное значение Разложение
  6. Независимый компонентный анализ
  7. Иерархическая кластеризация
Иерархическая кластеризация

Иерархическая кластеризация - это расчет, который строит порядок разделения групп. Это начинается с каждой информации, которая раздается их собственной группе. Здесь две близкие группы будут в одной группе. Этот расчет закрывается, когда осталась только одна группа.

K-означает кластеризацию

K означает, что это итеративный расчет кластеризации, который побуждает вас найти наиболее примечательный стимул для каждого акцента. Сначала выбирается идеальное количество групп. В этом методе кластеризации вы должны объединить информацию, которая фокусируется на k сборах. Больший k аналогично означает меньшие скопления с большей гранулярностью. Меньшее k означает большие собрания с меньшей гранулярностью.

Результатом расчета является сбор «имен». Он позволяет указать информацию на одном из k сборов. В кластеризации k-средних каждая группа характеризуется созданием центроида для каждой группы. Центроиды подобны ядру сгустка, который ловит ближайшие к ним фокусы и добавляет их в группу.

К-средняя кластеризация дополнительно характеризует две подгруппы

  1. Агломерационная кластеризация
  2. Дендрограмма
Агломерационная кластеризация

Этот вид кластеризации K-средних начинается с фиксированного числа групп. Он обозначает всю информацию в точном количестве групп. Эта стратегия кластеризации не требует количества групп K в качестве информации. Процедура агломерации начинается с формирования каждого элемента в виде одиночной связки.

Эта стратегия использует некоторую меру разделения, уменьшает количество сгустков (по одному в каждом выделении), объединяя процесс. В заключение, у нас есть одна основная группа, которая содержит каждую из статей.

Дендрограмма

В технике кластеризации дендрограмм каждый уровень будет говорить с возможной группой. Высота дендрограммы демонстрирует степень сходства между двумя объединенными пучками. По мере приближения к основанию процедуры они представляют собой прогрессивно сопоставимую группу, которая обнаруживает сбор из дендрограммы, что не характерно и по большей части абстрактно.

K-Ближайшие соседи

K-ближайший сосед - самый простой из всех классификаторов ИИ. Он отличается от других процедур ИИ тем, что не предоставляет модель. Это простой расчет, который хранит каждый доступный случай и характеризует новые примеры, зависящие от меры сходства.

Это работает очень хорошо, когда есть разделение между моделями. Скорость обучения является умеренной, когда набор подготовки огромен, а определение разделения нетривиально.

Анализ основных компонентов

На случай, если вам нужно пространство более высокого измерения. Вы должны выбрать причину для этого места и только 200 наиболее значимых баллов этой предпосылки. Эта база известна как основной компонент. Подмножество, которое вы выбираете, представляет собой другое пространство, которое по размеру мало контрастирует с уникальным пространством. Он сохраняет как можно большую часть многогранного характера информации, как и следовало ожидать.

Что такое обучение усилению?

Это способность специалиста сотрудничать с Землей и выяснить, что является лучшим результатом. Это преследует идею удара и предварительной техники. Оператор получает вознаграждение или наказывается баллом за правильный или неосновательный ответ, и на основании положительных фокусов вознаграждения подбирает модель поезда сама. Кроме того, снова подготовленный, он готовится предвидеть новую информацию, представленную ему.

Пример обучения усилению

  1. Отображение рекламы, в соответствии с пожеланиями пользователя, оптимизировать для длительного периода
  2. Знать рекламный бюджет, используемый в режиме реального времени
  3. обратное подкрепление обучения, чтобы узнать клиентов, как не любит лучше

Что такое обучение под наблюдением?

Тип обучения под контролем, расчеты составляются на основе сочетания именной и немаркированной информации. Обычно эта смесь будет содержать ограниченное количество именованной информации и много немаркированной информации. Включенный фундаментальный метод заключается в том, что сначала разработчик программного обеспечения сгруппирует сопоставимую информацию, используя расчеты без посторонней помощи, а затем использует текущую именованную информацию, чтобы назвать остаток немаркированной информации. Обычные примеры использования такого рода вычислений имеют типичное свойство: получение немеченой информации, как правило, скромно, а присвоение названной информации слишком дорого. Естественно, можно представить себе три вида вычислений для обучения как контролируемые, понимающие, где ученик находится под наблюдением инструктора дома и в школе, не контролируемые, понимающие, где ученик должен сам разобраться в идее, и полууправляемые, понимающие, где Педагог демонстрирует пару идей в классе и задает вопросы в виде школьных заданий, которые зависят от сопоставимых идей.

Пример полу-контролируемого обучения

Замечательно, что больше информации = более качественные модели в глубоком обучении (ясно, до конкретной точки заключения, но чаще всего у нас не так много информации). Как бы то ни было, получение отмеченной информации является дорогостоящим. В случае, если вам нужно подготовить модель для различения крылатых животных, вы можете установить множество камер, чтобы, следовательно, фотографировать птиц. Это вообще скромно. Заключение контракта с людьми для отметки этих фотографий является дорогостоящим. Рассмотрите возможность того, что у вас есть огромное количество фотографий крылатых животных, однако просто заключите контракт с людьми, чтобы отметить небольшое подмножество фотографий. Как оказалось, вместо того, чтобы просто обучать модели на отмеченном подмножестве, вы можете предварительно обучить модель на всем обучающем наборе, прежде чем настраивать ее с помощью названного подмножества, и у вас появятся признаки улучшения выполнения по этим направлениям. Это полу-контролируемое обучение. Это откладывает ваши деньги.

Вывод

Есть много типов алгоритма машинного обучения, и на основе разных условий мы должны использовать алгоритм наилучшего соответствия для наилучшего результата. Есть много алгоритмов, которые находят наилучшую точность для каждого типа алгоритма машинного обучения, и которая является самой высокой, мы должны использовать этот алгоритм. Мы можем минимизировать ошибку каждого алгоритма, уменьшая шум в данных. Наконец, я скажу, что нет ни одного алгоритма машинного обучения, который мог бы дать вам 100-процентную точность, даже если человеческий мозг не может этого сделать, поэтому найдите лучший алгоритм для ваших данных.

Рекомендуемые статьи

Это руководство по типам алгоритмов машинного обучения. Здесь мы обсуждаем, что такое алгоритм машинного обучения, и его типы включают в себя обучение под наблюдением, обучение без присмотра, обучение под наблюдением, обучение с подкреплением. Вы также можете посмотреть следующие статьи, чтобы узнать больше -

  1. Методы машинного обучения
  2. Библиотеки машинного обучения
  3. Модели машинного обучения
  4. Механизм машинного обучения
  5. Гиперпараметр машинного обучения
  6. Иерархическая кластеризация | Агломерационная и разделительная кластеризация
  7. Создать дерево решений | Как создать | преимущества
  8. Жизненный цикл машинного обучения | 8 лучших этапов

Категория:

Большое количество данных