Overvåget læring er de typer af maskinlæring, hvor maskiner trænes ved hjælp af vel 'mærkede' træningsdata, og på basis af disse data forudsiger maskiner outputtet. De mærkede data betyder, at nogle inputdata allerede er mærket med det korrekte output.
I overvåget læring fungerer de træningsdata, der leveres til maskinerne, som supervisoren, der lærer maskinerne at forudsige output korrekt. Det anvender det samme koncept, som en elev lærer i supervision af læreren.
Overvåget læring er en proces med at levere inputdata såvel som korrekte outputdata til maskinlæringsmodellen. Formålet med en overvåget læringsalgoritme er at find en kortlægningsfunktion til at kortlægge inputvariablen(x) med outputvariablen(y) .
8 til 1 multiplekser
I den virkelige verden kan superviseret læring bruges til Risikovurdering, billedklassificering, svindeldetektion, spamfiltrering , etc.
Hvordan fungerer overvåget læring?
I superviseret læring trænes modeller ved hjælp af mærket datasæt, hvor modellen lærer om hver type data. Når træningsprocessen er afsluttet, testes modellen på basis af testdata (en delmængde af træningssættet), og derefter forudsiger den outputtet.
Funktionen af Superviseret læring kan let forstås af nedenstående eksempel og diagram:
Antag, at vi har et datasæt med forskellige former for former, som inkluderer kvadrat, rektangel, trekant og polygon. Nu er det første skridt, at vi skal træne modellen til hver form.
- Hvis den givne form har fire sider, og alle siderne er lige store, vil den blive mærket som en Firkant .
- Hvis den givne form har tre sider, vil den blive mærket som en trekant .
- Hvis den givne form har seks lige store sider, vil den blive mærket som sekskant .
Nu efter træning tester vi vores model ved hjælp af testsættet, og modellens opgave er at identificere formen.
Maskinen er allerede trænet i alle former for former, og når den finder en ny form, klassificerer den formen på basis af en række sider og forudsiger outputtet.
Trin involveret i superviseret læring:
- Først Bestem typen af træningsdatasæt
- Indsaml/saml de mærkede træningsdata.
- Opdel træningsdatasættet i træning datasæt, testdatasæt og valideringsdatasæt .
- Bestem input-funktionerne for træningsdatasættet, som skal have tilstrækkelig viden til, at modellen nøjagtigt kan forudsige outputtet.
- Bestem den passende algoritme for modellen, såsom støttevektormaskine, beslutningstræ osv.
- Udfør algoritmen på træningsdatasættet. Nogle gange har vi brug for valideringssæt som kontrolparametre, som er delmængden af træningsdatasæt.
- Evaluer modellens nøjagtighed ved at levere testsættet. Hvis modellen forudsiger det korrekte output, betyder det, at vores model er nøjagtig.
Typer af overvågede maskinlæringsalgoritmer:
Superviseret læring kan yderligere opdeles i to typer problemer:
hvad er struktur i datastruktur
1. Regression
Regressionsalgoritmer bruges, hvis der er en sammenhæng mellem inputvariablen og outputvariablen. Det bruges til forudsigelse af kontinuerte variabler, såsom vejrudsigter, markedstendenser osv. Nedenfor er nogle populære regressionsalgoritmer, som hører under overvåget læring:
- Lineær regression
- Regressionstræer
- Ikke-lineær regression
- Bayesiansk lineær regression
- Polynomiel regression
2. Klassifikation
java logo
Klassifikationsalgoritmer bruges, når outputvariablen er kategorisk, hvilket betyder, at der er to klasser såsom Ja-Nej, Mand-Kvinde, Sand-falsk osv.
Spamfiltrering,
- Tilfældig Skov
- Beslutningstræer
- Logistisk regression
- Støtte vektor maskiner
Bemærk: Vi vil diskutere disse algoritmer i detaljer i senere kapitler.
Fordele ved superviseret læring:
- Ved hjælp af superviseret læring kan modellen forudsige outputtet på baggrund af tidligere erfaringer.
- I overvåget læring kan vi have en nøjagtig idé om klasserne af objekter.
- Superviseret læringsmodel hjælper os med at løse forskellige virkelige problemer som f.eks opdagelse af svindel, spamfiltrering , etc.
Ulemper ved superviseret læring:
- Superviserede læringsmodeller er ikke egnede til at håndtere de komplekse opgaver.
- Overvåget læring kan ikke forudsige det korrekte output, hvis testdataene er forskellige fra træningsdatasættet.
- Træning krævede mange regnetider.
- I overvåget læring har vi brug for nok viden om objektklasserne.