Εποπτευόμενη εκμάθηση στο Apache Mahout

Η εποπτευόμενη μάθηση είναι μια τεχνική της μηχανικής μάθησης, στην οποία μια συνάρτηση συνάγεται από τα επισημασμένα παραδείγματα δεδομένων εκπαίδευσης.

Η εποπτευόμενη μάθηση είναι η μέθοδος, όπου τα εκπαιδευτικά δεδομένα περιλαμβάνουν τόσο την εισαγωγή όσο και τα επιθυμητά αποτελέσματα. Η εκπαίδευση του συστήματος με παραδείγματα ονομάζεται εποπτευόμενη μάθηση. Ή αλλιώς, η εκπαίδευση του αλγορίθμου με έναν δάσκαλο μπορεί επίσης να θεωρηθεί ως εποπτευόμενη μάθηση. Αφού εκπαιδεύσετε τον αλγόριθμο με όλα τα δεδομένα δείγματος ή τα δεδομένα με ετικέτα, ο οποίος έχει και τους δύο προγνωστικούς παράγοντες στη μεταβλητή στόχο, μπορεί κανείς να εκπαιδεύσει τον αλγόριθμο και να χρησιμοποιήσει το αόρατο παράδειγμα για περαιτέρω ταξινόμηση.





Εδώ είναι μερικά από τα σημαντικά χαρακτηριστικά της εποπτευόμενης μάθησης στο Mahout:

java διπλό σε int γύρο
  • Η κατασκευή ενός κατάλληλου σετ εκπαίδευσης, επικύρωσης και δοκιμής (Bok) είναι ζωτικής σημασίας.
  • Αυτές οι μέθοδοι είναι συνήθως γρήγορες και ακριβείς.
  • Οι εποπτευόμενες μέθοδοι μάθησης πρέπει να είναι σε θέση να γενικεύσουν.
  • Δίνουν σωστά αποτελέσματα, όταν δίδονται νέα δεδομένα στην είσοδο χωρίς να γνωρίζουν aεκ των προτέρωνστόχος.
  • Σε ορισμένες περιπτώσεις, τα σωστά αποτελέσματα (στόχοι) είναι γνωστά και δίδονται στην είσοδο στο μοντέλο κατά τη διάρκεια της μαθησιακής διαδικασίας.

Παράδειγμα εποπτευόμενης μάθησης

Σε περίπτωση που θέλετε να εκπαιδεύσετε μια αποστολή και θα σας δοθούν δύο διαφορετικές ομάδες εικόνων μαζί με τα δεδομένα με ετικέτα, π.χ. Στην παραπάνω εικόνα, μια ομάδα έχει τις εικόνες ενός ελέφαντα και η άλλη έχει αυτές ενός λιονταριού. Τα δεδομένα με ετικέτα υπονοούν ότι κάθε σύνολο δεδομένων έχει τιμή στόχου. Στο παραπάνω παράδειγμα, το σύνολο δεδομένων είναι εικόνες του ελέφαντα, ενώ η ετικέτα που δίνεται σε αυτό, δηλαδή το 'Elephant' είναι η τιμή-στόχος του συνόλου δεδομένων. Ένα τέτοιο σύνολο δεδομένων με ετικέτα χρησιμοποιείται για τη διαδικασία εκπαίδευσης, έτσι ώστε ο αλγόριθμος εκπαίδευσης να μπορεί να αξιοποιήσει αυτό το σύνολο δεδομένων και να δημιουργήσει κάποιο μοντέλο, το οποίο μπορεί να χρησιμοποιηθεί περαιτέρω για την ταξινόμηση των αόρατων παραδειγμάτων χωρίς τα επισημασμένα δεδομένα ή τη μεταβλητή στόχου.



Ας προσδιορίσουμε τα χαρακτηριστικά που βοηθούν στον προσδιορισμό ενός αντικειμένου ως ελέφαντα ή λιοντάρι:

Τα γνωρίσματα θα μπορούσε - μέγεθος, χρώμα, ύψος, μέγεθος αυτιού, κορμός, χαυλιόδοντο

Αυτό μπορεί να ονομαστεί σύνολο χαρακτηριστικών, το οποίο θα χρησιμοποιηθεί για εκπαιδευτικούς σκοπούς. Αυτό το σύνολο δυνατοτήτων θα επηρεάσει την τελική μεταβλητή στόχου. Αυτές οι μεταβλητές είναι γνωστές ως μεταβλητές πρόβλεψης , επειδή μας βοηθούν στον προσδιορισμό του τελική μεταβλητή στόχου . Η τελική μεταβλητή μπορεί επίσης να ονομαστεί ετικέτα. Η τελική μεταβλητή εδώ είναι ο ελέφαντας / λιοντάρι.



τι είναι μεταβλητό στο java

table-word

Σε αυτό το παράδειγμα, κάθε μία από τις εγγραφές στις κατηγορίες, μέγεθος, χρώμα, ύψος, μέγεθος αυτιού, κορμός και χαυλιόδοντος είναι μια μεταβλητή πρόβλεψης, ενώ το Elephant και το Lion είναι οι μεταβλητές-στόχοι. Αυτές οι μεταβλητές μπορούν να θεωρηθούν ως παραδείγματα εκπαίδευσης και σύνολα δεδομένων κατάρτισης αντίστοιχα.

Επομένως, η εποπτευόμενη μάθηση είναι ένας τρόπος, μέσω του οποίου εκπαιδεύεστε μαζί με τις ετικέτες, όπου ζητάτε από τον αλγόριθμο να εξαγάγει ορισμένα χαρακτηριστικά από αυτό και βάσει αυτού, όποτε βλέπετε ένα αόρατο παράδειγμα, ο αλγόριθμος θα μπορεί να τον ταξινομήσει στη σωστή τάξη.

Έχετε μια ερώτηση για εμάς; Αναφέρετέ τα στην ενότητα σχολίων και θα επικοινωνήσουμε μαζί σας.

πώς να χρησιμοποιήσετε το aws cli

Σχετικές αναρτήσεις: