3.6 KiB
| title | localeTitle |
|---|---|
| Supervised Learning | Обучение с учителем |
Обучение с учителем
В данном типе обучения мы знаем правильный результат. Основные два вида обучения с учителем - классификация и регрессия. При регрессии модель предсказывает число, при классификации - приписывает данным определенный лейбл.
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 число, поэтому в данном случае мы говорим о 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.