Итак, что мы делаем в моделях? Что это на самом деле?
Я начал проходить популярный курс по машинному обучению от Coursera. И подумал поделиться своим обучением с вами, ребята!! Начнем с самого простого.
Предположим, у вас есть вход и соответствующий выход. В машинном обучении мы создаем модель, которая сначала изучает связь между входом (X) и выходом (y), и эта изученная связь будет применяться, когда к входам предсказываются неизвестные результаты. Эта модель называется hypothesis(h).
Входные данные называются объектами, а выходные данные называются целевыми. Основная цель здесь — найти функцию h, которая установит карту между объектами и целью. Тогда этот h будет наиболее точно предсказывать неизвестную цель.
Предположим, у нас есть тематическое исследование, нам даются данные, которые имеют -Площадь дома (Функция) и Цена дома (Цель)-
Теперь мы находим функцию (h(x)), которая находит какое-то отношение между площадью и ценой дома. Если затем какой-нибудь брокер скажет нам: «У меня есть дом площадью — 1500, тогда мы можем использовать h(x) для предсказания цены, которую можно продать».
Теперь есть 2 типа предсказаний. В этом случае цена является числовым прогнозом. То есть, если мы построим график зависимости x от y, Y будет непрерывным числом. Задачи такого типа называются Задача регрессии. В задачах регрессии значения непрерывны, например, завтрашняя температура, количество пациентов с Covid-19 и т. д.
Но давайте предскажем, что продажа нашей собственности принесет прибыль или убыток. Это будет Задача классификации. В задачах классификации прогнозы представляют собой дискретные значения, такие как — Да или Нет, Черный или белый, собака или кошка и т. д.
