39 lines
3.9 KiB
Markdown
39 lines
3.9 KiB
Markdown
|
---
|
|||
|
title: Supervised Learning
|
|||
|
localeTitle: Обучаемое обучение
|
|||
|
---
|
|||
|
## Обучаемое обучение
|
|||
|
|
|||
|
В контролируемом обучении мы знаем, какой должен быть правильный результат. Контролируемые проблемы обучения могут быть отнесены к регрессии и классификации. Регрессионная проблема заключается в том, где вы сопоставляете ввод с непрерывным выходом. Напротив, проблема классификации - это то, где вы сопоставляете (группируете) входы с дискретными категориями.
|
|||
|
|
|||
|
### регрессия
|
|||
|
|
|||
|
Учитывая данные об используемых автомобилях, таких как их пробег, вы можете предсказать их рыночные цены. Поскольку цена является непрерывной переменной, это проблема регрессии. В другом примере Microsoft выпустила веб-приложение, которое прогнозирует возраст, основанный на изображении. Опять же, поскольку возраст является непрерывным, а не дискретным или категоричным, это также проблема регрессии.
|
|||
|
|
|||
|
### классификация
|
|||
|
|
|||
|
Проблемы с регрессией, описанные выше, могут быть превращены в проблемы классификации. Предположим, вы хотите найти подержанный автомобиль менее X долларов. Тогда выход будет, если подержанный автомобиль соответствует цене, которую вы установили. Точно так же предсказание возраста может быть проблемой классификации, если мы хотим предсказать, принадлежит ли представленная фотография кому-то до 18 лет, и поэтому не следует разрешать покупать сигареты.
|
|||
|
|
|||
|
### Вопросы для обсуждения:
|
|||
|
|
|||
|
* Что особенного в контролируемом обучении?
|
|||
|
* В каком сценарии вы бы использовали его?
|
|||
|
* Оговорки или ловушки, о которых нужно подумать?
|
|||
|
* Каковы некоторые примеры моделей?
|
|||
|
|
|||
|
#### Пример 1:
|
|||
|
|
|||
|
> Учитывая данные о размерах домов на рынке недвижимости, попробуйте предсказать их цену.
|
|||
|
|
|||
|
Цена как функция размера - это непрерывный выход, поэтому это проблема регрессии.
|
|||
|
|
|||
|
#### Пример 2:
|
|||
|
|
|||
|
(a) Регрессия - для значений непрерывного ответа. Например, с учетом картины человека, мы должны предсказать их возраст на основе данной картины
|
|||
|
|
|||
|
(b) Классификация - для категориальных значений ответа, где данные могут быть разделены на конкретные «классы». Например, учитывая пациента с опухолью, мы должны предсказать, является ли опухоль злокачественной или доброкачественной.
|
|||
|
|
|||
|
#### Предлагаемое чтение:
|
|||
|
|
|||
|
* https://en.wikipedia.org/wiki/Supervised\_learning
|
|||
|
* https://stackoverflow.com/a/1854449/6873133
|