Алгоритмы машинного обучения — это не что иное, как набор методов, которые позволяют компьютерам учиться на данных и делать прогнозы или решения без какого-либо явного программирования. Эти алгоритмы можно разделить на 3 категории: контролируемое, неконтролируемое и обучение с подкреплением.
Категории алгоритмов машинного обучения
- Алгоритмы контролируемого обучения
Теперь при контролируемом обучении у нас есть набор данных с помеченными примерами входных и выходных данных. По сути, цель этих алгоритмов — изучить функцию, которая может сопоставлять входные данные с соответствующими выходными метками. Вот некоторые примеры алгоритмов обучения с учителем:
Линейная регрессия.Этот алгоритм используется для прогнозирования непрерывной переменной результата на основе одной или нескольких переменных-предикторов. он предполагает линейную связь между предиктором и переменными результата.
Логистическая регрессия.Этот алгоритм используется для прогнозирования двоичной переменной результата на основе одной или нескольких переменных-предикторов. Это обобщенная линейная модель, которая использует сигмовидную функцию для моделирования вероятности того, что выходная переменная равна 1.
Деревья решений.Этот алгоритм используется для построения древовидной модели, которую можно использовать для задач классификации или регрессии. Модель делает прогнозы, следуя ветвям дерева на основе значений входных данных.
Машины опорных векторов (SVM):Этот алгоритм используется для задач классификации и пытается найти гиперплоскость в многомерном пространстве, которая максимально разделяет два класса.
2.Алгоритмы обучения без учителя:
Теперь алгоритмы обучения без учителя используются, когда у нас есть набор данных только с входными примерами и без соответствующих выходных меток. Цель этих алгоритмов — найти закономерности или структуры в данных. Некоторые примеры алгоритмов обучения без учителя:
Кластеризация по K-средним.Этот алгоритм используется для разделения данных на k кластеров на основе сходства точек данных. Это достигается путем итеративного обновления центроидов кластеров до достижения сходимости.
Иерархическая кластеризация.Этот алгоритм используется для построения древовидной модели, представляющей взаимосвязи между точками данных. Это достигается путем итеративного объединения наиболее похожих точек данных в кластер.
Анализ главных компонентов (PCA):Этот алгоритм используется для уменьшения размерности данных путем проецирования их в пространство меньшей размерности. Для этого он находит направления данных с наибольшей дисперсией и проецирует данные на эти направления.
3. Алгоритмы обучения с подкреплением:
Алгоритмы обучения с подкреплением используются для обучения агента действиям в среде для максимизации сигнала вознаграждения. Эти алгоритмы часто используются в робототехнике, беспилотных автомобилях и играх. Некоторые примеры алгоритмов обучения с подкреплением:
Q-learning: этот алгоритм используется для изучения оптимальной политики выбора действий в марковском процессе принятия решений. Это делается путем итеративного обновления Q-таблицы, которая представляет ожидаемое вознаграждение за каждое действие в каждом состоянии.
Глубокое Q-обучение. Этот алгоритм является расширением Q-обучения, в котором для аппроксимации Q-функции используется нейронная сеть. Он использовался для достижения производительности человеческого уровня в различных играх Atari.
Таким образом, выбор алгоритма машинного обучения зависит от типа имеющихся у вас данных, типа задачи, которую вы хотите выполнить, и имеющихся у вас ресурсов. Важно понимать характеристики и ограничения каждого алгоритма, чтобы принять обоснованное решение о том, какой из них использовать.
