Оператор предоставляет алгоритму машинного обучения известный набор данных, который включает в себя желаемые входные и выходные данные, и алгоритм должен найти метод, чтобы определить, как получить эти входные и выходные данные. В то время как оператор знает правильные ответы на задачу, алгоритм выявляет закономерности в данных, учится на наблюдениях и делает прогнозы. Алгоритм делает прогнозы и корректируется оператором — и этот процесс продолжается до тех пор, пока алгоритм не достигнет высокого уровня точности/производительности.
Под эгидой контролируемого обучения попадают:
- Классификация
- Регрессия
Регрессия:
Регрессия — это прогностический статический процесс, в котором модель пытается найти важную взаимосвязь между зависимыми и независимыми переменными.
Цель алгоритма регрессии состоит в том, чтобы предсказать непрерывное число, такое как продажи, доход и результаты тестов. Уравнение базовой линейной регрессии также можно записать
Существует множество различных типов алгоритмов регрессии. Три самых распространенных перечислены ниже.
- Линейная регрессия
- Логистическая регрессия
- Полиномиальная регрессия
Классификация:
Во время обучения алгоритму классификации будут предоставлены точки данных с присвоенной категорией. Задача алгоритма классификации состоит в том, чтобы затем взять входное значение и присвоить ему класс или категорию, чтобы оно соответствовало предоставленным обучающим данным.
Задачи классификации могут быть решены с помощью большого количества алгоритмов. Какой бы алгоритм вы ни выбрали, зависит от данных и ситуации. Вот несколько популярных алгоритмов классификации.
- Линейная классификация
- Машина опорных векторов
- Древо решений
- K-ближайший сосед
- Случайный лес
Если вам нужно краткое объяснение обучения с учителем, пожалуйста, нажмите здесь
Спасибо!!
#машинное обучение
