Давайте начнем с простого примера, предположим, что мы хотим, чтобы наша машина прогнозировала общий спрос на нагрузку на следующие 5 лет. И мы знаем, что есть некоторые факторы, которые можно использовать при прогнозировании спроса на нагрузку, такие как рост населения, рост дохода на душу населения, увеличение потребления энергии и т. д. Все они могут быть переменными для прогнозирования спроса на нагрузку.
Теперь необходимо создать систему для прогнозирования потребности в нагрузке. Для этого сначала нам нужно создать модель.Итак, что такое модель? В машинном обучении модель — это математическое представление обрабатываемых данных. И зачем нам это нужно? Модель необходима для правильного прогнозирования наших данных, для которых мы должны передать обучающие данные алгоритму машинного обучения. Хорошо обученная модель может дать только достоверный прогноз.
КАК ОБУЧИТЬ МОДЕЛЬ?
Модель машинного обучения обучается путем подачи доступных данных. Хорошо обучить 80 % доступных данных и 20 % использовать для прогнозирования.Это похоже на получение водительских прав: чем больше вы тренируетесь, тем больше шансов стать водителем с лицензией. Это называется подготовкой данных. Иногда нам нужна другая форма корректировки данных или манипулирования ими, например дублирование, нормализация, исправление ошибок и т. д. Все это относится к подготовке данных для вашей модели.
Далее нам нужно лучше ознакомитьсяс переменными функций, которые используются в модели.
Предположим, что у вас есть большой объем данных, собранных по GPD и населению, и очень мало данных по энергоемкому продукту, тогда в этом случае модель будет склоняться к большему количеству обученных данных по населению и GDP. Что каким-то образом может создать предвзятые результаты данных. Таким образом, очень важно сбалансировать каждую переменную функции.
Глядя на простое уравнение прямой линии, Обучение модели
Вот простое уравнение прямой линии. Где m – это (наклон линии), а b – точка пересечения с осью Y. В машинном обучении существует множество m (набор значений) и b (смещений) в виде матрицы. Матрица m (m1..mx) называется W, а матрица (b1…bx) обозначается в модели как b.
Это общая работа режима. Модель разработана с помощью уравнений [W, b], а тестовое значение W и b предоставляется для прогнозирования выходных данных.
Как выбрать лучшую модель для ваших данных?
Существует множество моделей, созданных учеными и исследователями данных за эти годы. Некоторые модели подходят для данных изображений, числовых данных, текста или музыки. Просмотр ваших данных и целевой переменной может помочь в прогнозировании модели. Аналогичным образом для прогнозирования нагрузки хорошо подходит модель алгоритма регрессионного обучения. В случае соответствия прогноза нескольким категориям модель классификатора может работать хорошо. Кроме того, когда необходимо прогнозировать данные о потреблении энергии в доме и регулировании электроэнергии, мы можем применить кластеризацию или модель обучения с подкреплением в зависимости от имеющейся у вас функциональной переменной.
И когда мы хотим предсказать изображение, голос, персонажа и т. д., появляется модель глубокого обучения.
Заключение простым пониманием того, как машина предсказывает:
- Сбор данных
- Подготовка данных
- Выбор модели
- Обучение модели
- Оценка производительности модели
- Прогнозирование точности работы
