Итоги дня 004
В день 004 мы прошли обзор Wekinator и пошаговое руководство по Wekinator, ссылки на которые есть на веб-сайте Wekinator.
Я уверен, что вы уже представляете себе многочисленные способы использования машинного обучения в своей работе, увидев, на что способен Wekinator.
Если вы помните, когда мы смотрели, как работает машинное обучение в день 002, мы узнали, что машинное обучение использует два типа методов: обучение с учителем, которое обучает модель на известных входных и выходных данных, чтобы она могла предсказывать будущие результаты, и обучение без учителя. обучение, которое находит скрытые закономерности или внутренние структуры во входных данных. Затем мы разбили нашу палатку в контролируемом обучении.
Сегодня мы рассмотрим методы, используемые контролируемым обучением для разработки прогностических моделей. Этими методами являются классификация и регрессия.
Классификация
Модели классификации классифицируют входные данные по категориям. Другими словами; классификация — это проблема присвоения метки или категории любому входящему входному сигналу.
Конкретное количество категорий, которые вы учите компьютер распознавать при создании классификатора, также называется классами. Этими классами могут быть: делаю ли я жест рукой Дох Сольфеджио по сравнению с жестом руки Лах Сольфеджио или жестом Рэя Сольфеджио, как показано в сценарии нашей интерактивной системы. Или, если вы создаете звуковой классификатор, вы можете захотеть, чтобы он пометил файл MP3 как джазовую музыку, рок-музыку, музыку RnB, афро-музыку или речь.
Когда вы занимаетесь простой классификацией, вы должны думать об этих категориях очень просто. Можно предположить, что они взаимоисключающие. То есть музыкальное произведение не может быть и роком, и классикой, и не может быть где-то посередине. — Доктор Ребекка Фибринк
Как правило, вы можете предположить, что если вы научите классификатор распознавать три (3) категории, он всегда будет создавать метку, которая относится к одной из этих трех (3) категорий и ничему другому.
Всякий раз, когда вы обучаете классификатор, если вы обнаружите, что вас не устраивает то, что он делает, вы можете изменить свои обучающие примеры, чтобы заставить его делать что-то другое. Обратите внимание, что использование больших обучающих наборов данных часто дает модели, которые хорошо обобщаются для новых данных.
Вы можете спросить, как алгоритм обучения с учителем строит классификаторы из обучающих примеров? Ответ заключается в том, что он использует алгоритмы классификации. Если ваш ввод можно разделить на определенные группы или классы, используйте алгоритмы классификации.
Ого, вы добрались до конца дня 005. Завтра мы подробно рассмотрим наиболее часто используемые алгоритмы классификации.
Спасибо, что нашли время в своем графике и позволили мне быть вашим проводником в этом путешествии.
