Как выбрать правильный алгоритм для обучения вашего ИИ, контролируемое обучение

Обучение с учителем — одна из основных парадигм искусственного интеллекта. Он содержит множество алгоритмов: в большинстве случаев необходимо опробовать многие из них на одной задаче и оценить их эффективность.

Учитывая сложность аргумента и количество алгоритмов для перечисления, я сосредоточусь только на перекрестных данных (данные временных рядов, если вам интересно, обычно решаются с помощью LSTM (рекуррентные нейронные сети) или CNN (сверточные нейронные сети). ).

Я ограничусь алгоритмами машинного обучения, особенно теми, которые можно найти в библиотеке scikit-learn, учитывая, что алгоритмы глубокого обучения могут потребовать подробной статьи о настройке гиперпараметров.

Прежде чем выбирать алгоритм, выберите подход

Когда вы выбираете контролируемое обучение для решения проблемы, это может быть: классификация и регрессия. Если вы только начали изучать приложения искусственного интеллекта, вам нужно понять, к какой категории относится ваша проблема.

Одна этикетка против нескольких этикеток

Двоичная и многоклассовая классификация

Один выход против регрессии с несколькими выходами

Список алгоритмов

Следующие алгоритмы были организованы по категориям: каждый из них поддерживает разные подходы, некоторые из них все, некоторые другие специально используются только для одного конкретного подхода (например, персептрон или стохастический градиентный спуск).

Вам нужно будет проверить, является ли ваша проблема одной или несколькими метками, классификацией или регрессией, а затем какой из конкретных подходов использовать (например, двоичная классификация или многоклассовая).