2.3 KiB
title | localeTitle |
---|---|
Supervised Learning | Aprendizagem Supervisionada |
Aprendizagem Supervisionada
Na aprendizagem supervisionada, sabemos qual deve ser a saída correta. Os problemas de aprendizagem supervisionada podem ser categorizados em regressão e classificação. Um problema de regressão é onde você mapeia a entrada para uma saída contínua. Um problema de classificação, ao contrário, é onde você mapeia (agrupa) entradas em categorias distintas.
Regressão
Dados dados sobre carros usados como sua milhagem, você pode prever os preços de mercado deles / delas. Como o preço é uma variável contínua, esse é um problema de regressão. Em outro exemplo, a Microsoft lançou um aplicativo da web que prevê idade com base na imagem. Novamente, como a idade é contínua, em vez de discreta ou categórica, isso também é um problema de regressão.
Classificação
Os problemas de regressão acima podem ser transformados em problemas de classificação. Suponha que você queira procurar um carro usado com menos de X dólares. Então a saída seria se o carro usado se ajustasse ao preço que você definiu. Da mesma forma, a previsão de idade pode ser um problema de classificação se estivermos pensando em prever se uma foto enviada pertence a alguém com menos de 18 anos e, portanto, não devemos permitir a compra de cigarros.
Pontos de discussão:
- O que é especial sobre o aprendizado supervisionado?
- Em que cenário você usaria?
- Advertências ou armadilhas para pensar?
- Quais são alguns exemplos de modelos?
Exemplo 1:
Dados dados sobre o tamanho das casas no mercado imobiliário, tentam prever seu preço.
Preço em função do tamanho é uma saída contínua, então este é um problema de regressão.
Exemplo 2:
(a) Regressão - Para valores de resposta contínua. Por exemplo, dada uma foto de uma pessoa, temos que prever sua idade com base na imagem dada
(b) Classificação - para valores de resposta categórica, onde os dados podem ser separados em “classes” específicas. Por exemplo, dado um paciente com um tumor, temos que prever se o tumor é maligno ou benigno.