Модели машинного обучения. Мы слышим о них все время. Они выглядят и звучат потрясающе, но могут ли они предугадывать сложные вопросы и реагировать на них? Какие именно?

Машинное обучение можно рассматривать как «анализ данных с помощью формул и алгоритмов» для получения результата.

В данном случае «моделью» машинного обучения будет связь между переменными, вычисляемая на основе формул, алгоритмов и их относительных настроек.

Например, простая линейная функция Y = mX + c, которая показывает взаимосвязь между x и y.

Здесь у нас есть вход X, а выход Y. «Настройки» здесь будут такими:
m = 1
c = 0.
Проще говоря, Output = 1 * Input + 0.

Модель будет генерировать эту линейную функцию из заданного набора данных.

Давайте посмотрим, как машинное обучение может создавать линейные прогнозы на основе заданного набора данных точек графика.

Линейная регрессия

Линейная регрессия - Линейная регрессия - это линейное моделирование взаимосвязи между переменными.

В нашей школьной математике это обычно называется «линией наилучшего соответствия».

В этом случае визуализация модели даст нам линейную функцию, как показано ниже.

Набор данных здесь генерируется случайными координатами (x, y) между 0 и 1. На приведенном выше графике 40 точек данных.

Используя линейное регрессионное моделирование случайных данных,
мы обнаруживаем, что связь между данными является идеальной линейной функцией Y = X.

Это соотношение помогает нам предсказать, что если
X = 0,5,
Y, скорее всего, будет 0,5.

Где машинное обучение на этой прямой?

Когда в набор данных помещается больше (неслучайных) данных, линия, вероятно, сместится.

Некоторые изменения могут быть более тонкими, чем другие, особенно с большими наборами данных (например, 1 миллион точек данных).

Машинное обучение здесь предназначено для обнаружения, переобучения модели и выполнения прогнозов и выводов.

Вы можете подумать: «Это так просто, просто перерисуйте черту!», Но что, если у нас есть гораздо более сложная задача, требующая сложной подгонки?

Машинное обучение здесь упростит задачу вычисления подходящей волнистой линии!

Разумеется, для более сложной задачи потребуется более сложная модель!

Модель нейронной сети

Модель искусственной нейронной сети основана на вычислении некоторых линейных формул и функций активации с весами, смещениями (т.е. их «настройками»), корректируемыми при каждом вычислении.

Выше изображена однослойная нейронная сеть. Каждый круг называется нейроном, точнее перцептроном. Мы можем использовать вышеупомянутую модель нейронной сети, чтобы найти отношения между заданными данными.

Мы будем обучать однослойную модель NN со 100 нейронами в скрытом слое.

Посмотрим, как обстоят дела с предыдущим набором данных.

Обратите внимание, что он дает нам ту же самую модель прогнозирования, что и более простая модель линейной регрессии.

Как мы выбираем, какую модель использовать?

Простой! Какой проще реализовать, а какой точнее? Какой из них больше подходит для поставленной задачи?

Для простой задачи, подобной описанной выше, использование модели линейной регрессии является явным победителем!

Существует множество других моделей машинного обучения, таких как Q-обучение, обучение с подкреплением, сверточные нейронные сети и многие другие.

Многие из них относятся к конкретной задаче, что означает, что они предназначены для более эффективной работы в различных «условиях» и обстоятельствах.

Так что определитесь со своей задачей и делайте выбор!