1.7 KiB
| title | localeTitle |
|---|---|
| Learning Equals Representation Evaluation Optimization | Aprendizagem Equals Representation Evaluation Optimization |
Aprendizagem Equals Representation Evaluation Optimization
O campo de aprendizado de máquina explodiu nos últimos anos e os pesquisadores desenvolveu um enorme número de algoritmos para escolher. Apesar desta grande variedade de modelos para escolher, todos eles podem ser destilados em três componentes.
Os três componentes que fazem um modelo de aprendizado de máquina são representação, avaliação e otimização. Esses três são mais diretamente relacionados aprendizado supervisionado, mas também pode estar relacionado ao aprendizado não supervisionado.
Representação - descreve como você deseja analisar seus dados. Às vezes você pode querer pensar em seus dados em termos de indivíduos (como em k vizinhos mais próximos) ou como em um gráfico (como em redes bayesianas).
Avaliação - para fins de aprendizagem supervisionada, você precisará avaliar ou Ponha uma pontuação em quão bem seu aluno está fazendo para que ele possa melhorar. este avaliação é feita usando uma função evaulation (também conhecido como um objectivo função ou função de pontuação ). Exemplos incluem precisão e erro quadrado.
Otimização - usando a função de avaliação acima, você precisa encontrar o aluno com a melhor pontuação desta função de avaliação usando uma escolha de técnica de otimização. Exemplos são uma busca gulosa e uma descida gradiente.