Если вы начинаете, машинное обучение может быть запутано для вас — как выбрать, какие алгоритмы использовать, из по-видимому безграничных вариантов, и как узнать, какой из них предоставит правильные прогнозы (выходы данных). Машинное обучение — это способ Компьютеры Для проведения различных алгоритмов без прямого человеческого надзора, чтобы учиться у данных.
Итак, незадолго до начала с алгоритмами машинного обучения давайте посмотрим на виды машинного обучения, которые уточняют эти алгоритмы.
Контролируемое обучение
- Контролируемое обучение состоит из целевой переменной (или зависимой переменной), которая должна быть разделена из данного набора предикторов (независимых переменных). Используя эти набор переменных, что генерирует функцию, которая отображает входы на нужные выходы.
- Процесс обучения продолжается до тех пор, пока модель не достигнет желаемого уровня точности на учебные данные. Контролируемое обучение — это задача вывода функции от маркированных данных тренировки.
Примеры контролируемого обучения:
- Регрессия
- Древо решений
- Случайный лес
- Знание
- Логистическая регрессия
Неповторимое обучение
- Неснесенное обучение имеет меньшую информацию о объектах, в частности, наборы поезда без размещения. Какова ваша цель сейчас? Можно распознать некоторые сравнения между группами объектов и включать их в соответствующие кластеры.
- Некоторые объекты могут одновременно отличаться от всех кластеров, таким образом, вы предполагаете, что эти объекты будут исключены. Этот метод позволяет значительно повысить точность, потому что мы можем использовать незамеченные данные в поезде с небольшим количеством меченых данных.
- Эта категория машинного обучения известна как без присмотра, потому что в отличие от контролируемого обучения нет учителя. Алгоритмы остаются самостоятельно для создания и возвращения интересной структуры в данных.
- Целью безоговорочном изучении является модель базовой структуры или распределения в данных, чтобы узнать больше о данных. Примеры неповторимого обучения:
- Априори алгоритм и
- K-означает.
Обучение подкрепления
- Эти методы позволяют пользователю решать лучшие действия, основанные на текущем состоянии и изученного поведения, которые максимизируют награды. Этот подход часто используется в робототехнике.
- Используя это обучение, машина обучена вносить конкретные решения.
- Это работает как- Машина отображается на настройку, в которой он постоянно использует пробную версию и ошибку. Эта машина учится от прошлого опыта и пытается захватить наилучшие возможные знания, чтобы сделать точные бизнес-решения.
Алгоритмы обучения машин — это программы, которые могут учиться у данных и улучшать от опыта, без человеческого вмешательства. Учебные задачи могут включать в себя изучение функции, которая перерабатывает ввод на выход, изучая скрытую структуру в незамечаемых данных; Или «Обучение на основе экземпляра», где классная метка производится для нового экземпляра, анализируя новый экземпляр (строка) в экземпляры из учебных данных, которые были сохранены в памяти.
Алгоритмы обучения машины
Алгоритм машинного обучения — это эволюция регулярного алгоритма. Это делает ваш Программа умнее , предоставив им автоматически учиться на предоставлении данных. Алгоритм в основном разделен на:
- Фаза обучения
- Фаза тестирования
Теперь я собираюсь поделиться лучшими пятими типами алгоритмов машин, которые улучшают бизнес-прогресс. Эти алгоритмы являются удобными для пользователя и поощряют несколько целей. Кроме того, все они популярны и используются тысячами предприятий.
Есть 5 лучших алгоритмов обучения машин для начинающих предлагают прекрасный баланс легковых, более низких вычислительных мощностей, немедленных и точных результатов.
Линейная регрессия
- Линейная регрессия представляет собой метод классификации, а не метод регрессии. Эта стратегия прогнозирования моделирования очень хорошо понята, как статистика, используя этот инструмент на протяжении десятилетий до изобретения современного компьютера.
- Цель линейной регрессии состоит в том, чтобы сделать наиболее точными прогнозами возможными, найдя значения для двух коэффициентов, которые весит каждую входную переменную. Эти методы могут включать линейную алгебру, градиентную оптимизацию и многое другое.
- Использование линейной регрессии легко и обычно обеспечивает точные результаты. Более опытные/опытные пользователи знают для удаления переменных из вашего набора тренировок, которые тесно коррелируют и удаляют как можно больше шума (не связанные с выходом выходных переменных).
Древо решений
- Еще одно популярное и легко понять алгоритм — это деревья решений. Их графика поможет вам увидеть, что вы думаете, и их двигатель требует систематического, документированного мыслительного процесса.
- Идея этого алгоритма довольно проста. В каждом узле вы выбираете лучший разрыв среди всех функций и все возможные точки разделения. Каждое разделение выбрано таким образом, чтобы максимизировать некоторые функциональные. В классификационных деревьях вы используете перекрестную энтропию и индекс Джини.
- У регрессы вы можете минимизировать сумму квадратной погрешности между прогнозирующей переменной целевых значений точек, которые падают в этой области, и тот, который мы придали ему.
Машина опорных векторов
- Этот алгоритм также известен как SVM, он анализирует данные, установленные на классы. Основной целью поддержки векторной машины (SVM) является его полезным подходом к будущим классификациям. Он использовался для выяснения линии, которая отделяет учебные данные для определенных классов.
- Еще одна вещь, которую вы должны знать, это то, что он предоставляет вам максимальную маржу для ввода любых будущих данных на классы.
- Начинающий или опытный, который так работает над этим, это лучшее для обучения данных, потому что нелинейные данные также могут быть запрограммированы в поддержке векторной машины (SVM).
Априори
- Обучение Apriori используется в транзакционной базе данных для работы частых наборов, а затем генерирует правила ассоциации. Он широко используется в анализе корзины на рынке, где один проверяет комбинации продуктов, которые часто выполняются в базе данных.
- Основной принцип априори, используемый в анализе рынка. Этот алгоритм проверяет положительную и отрицательную корреляцию между продуктами после анализа A и B в наборах данных. Он специально использовал команды по продажам, которые следят за глазом на корзинах клиентов, чтобы найти какие продукты, которые покупатели будут покупать с другими продуктами.
K-означает кластеризация
- Кластеризация, используемая для образца группы, таких как объекты в идентичном кластере, более похожи друг на друга, чем объект из другой группы.
- K- означает алгоритмы кластеризации данных наборов данных через определенные группы. Это итерационный процесс, который также выпускает подобные группы с прилагаемыми входными данными.
- Давайте возьмем пример, если вы используете K- означает алгоритм ALGORTH для классификации веб-результатов для Word Civil, то он покажет результаты в виде групп. А точность является основным преимуществом этого алгоритма. Как и, он разработал репутацию для обеспечения оптимизированных группировок в короткие сроки по сравнению с другими алгоритмами, которые дают значимые группы на основе внутренних моделей. Этот алгоритм помогает маркетологам определить целевые группы аудитории
Оригинал: «https://dev.to/johnathonroy5/5-types-of-machine-learning-algorithms-you-should-know-1kbl»