контролируемое обучение

Машинное обучение ориентировано на моделирование и имеет несколько типов, например обучение с учителем или обучение без учителя.

Обучение с учителем делится на:

  • Классификация. Назначение категорий наблюдениям, прогнозирование дискретных переменных, результаты которых могут быть ограниченными.

Например: получая доступ к университету, мы можем выбрать студентов по среднему баллу (‹X принято, ›X отклонено). Поскольку мы используем только две функции, мы можем довольно легко отображать и интерпретировать результаты без какого-либо машинного обучения, но если мы получим больше переменных, мы могли бы использовать машину опорных векторов, которая будет измерять различные элементы (например, средний балл средней школы + внеклассные занятия). + языки), а затем фильтровать людей с помощью линейных или полиномиальных классификаторов.

  • Регрессия: непрерывные переменные могут принимать любые значения (стоимость, масса, рост и другие).

Неконтролируемое обучение

Аналогичное обучение с учителем, но без целевого столбца, без руководства, с прямым просмотром всего набора данных и попыткой обнаружить закономерности. Вы можете найти идеи, не зная слишком много о наборе данных.

Эта методика используется в 3-х разных случаях:

  • Кластеризация: идентифицирует группы в наборе данных. он может сравнивать его внутри своих членов группы, а также сходства с другими группами. Некоторые модели кластеризации, такие как K Means, требуют, чтобы вы указали число кластеров, в других, DBSCAN (кластеризация приложений на основе плотности с шумом), требует, чтобы пользователь указал, что составляет кластер.
  • Обнаружение аномалий. Обнаружение выбросов или наблюдений, которые отличаются от других.
  • Ассоциация: поиск взаимосвязей между элементами.