3.1 KiB
title | localeTitle |
---|---|
Supervised Learning | التعلم تحت الإشراف |
التعلم تحت الإشراف
في التعلم تحت الإشراف ، نعرف ما يجب أن يكون الإخراج الصحيح. يمكن تصنيف مشاكل التعلم تحت الإشراف إلى الانحدار والتصنيف. مشكلة الانحدار هي حيث تقوم بتعيين الإدخال إلى إخراج مستمر. مشكلة التباين ، على النقيض من ذلك ، هي المكان الذي تقوم فيه بتعيين المدخلات (المجموعة) إلى فئات منفصلة.
انحسار
بالنظر إلى البيانات المتعلقة بالسيارات المستعملة مثل الأميال الخاصة بهم ، يمكنك التنبؤ بأسعار السوق. نظرًا لأن السعر هو متغير مستمر ، فهذه مشكلة انحدار. في مثال آخر ، أصدرت Microsoft تطبيق ويب يتنبأ بالعمر بناءً على الصورة. مرة أخرى ، كلما كان العمر مستمرًا بدلاً من كونه منفصلًا أو قاطعًا ، فهذه أيضًا مشكلة الانحدار.
تصنيف
يمكن تحويل مشاكل الانحدار أعلاه إلى مشاكل التصنيف. لنفترض أنك تريد البحث عن سيارة مستعملة أقل من X دولار. ثم سيكون الناتج إذا كانت السيارة المستعملة تناسب السعر الذي قمت بتعيينه. وبالمثل ، يمكن أن يكون التنبؤ بالعمر مشكلة تصنيف إذا كنا نتطلع إلى التنبؤ بما إذا كانت الصورة المقدمة تخص شخصًا يقل عمره عن 18 عامًا ، وبالتالي لا ينبغي السماح له بشراء السجائر.
نقاط النقاش:
- ما هو خاص حول التعلم تحت الإشراف؟
- في أي سيناريو تستخدمه؟
- تحذيرات أو الفخاخ للتفكير؟
- ما هي بعض النماذج سبيل المثال؟
مثال 1:
بالنظر إلى البيانات المتعلقة بحجم المنازل في سوق العقارات ، حاول التنبؤ بأسعارها.
السعر كدالة للحجم هو ناتج مستمر ، لذلك هذه مشكلة انحدار.
المثال 2:
(أ) الانحدار - بالنسبة لقيم الاستجابة المستمرة. على سبيل المثال ، إذا أعطينا صورة لشخص ما ، فعلينا أن نتنبأ بعمرهم على أساس الصورة المعطاة
(ب) التصنيف - لقيم الاستجابة الفئوية ، حيث يمكن فصل البيانات إلى "فئات" محددة. على سبيل المثال ، عندما يُعطى مريض مصاب بورم ، علينا أن نتوقع ما إذا كان الورم خبيثًا أم حميدًا.