L’aprenentatge supervisat és el mètode en què les dades de formació inclouen tant l’entrada com els resultats desitjats. La formació del sistema amb exemples s’anomena aprenentatge supervisat. O bé, entrenar l’algoritme amb un professor també es pot tractar com un aprenentatge supervisat. Després d’entrenar l’algoritme amb totes les dades de mostra o dades etiquetades, que conté els predictors de la variable objectiu, es pot entrenar l’algorisme i utilitzar l’exemple no vist per a una classificació posterior.
proves de diversos navegadors en selenium webdriver
A continuació, es detallen algunes de les funcions importants de l’aprenentatge supervisat a Mahout:
- La construcció d’un conjunt d’entrenament, validació i proves adequat (Bok) és crucial.
- Aquests mètodes solen ser ràpids i precisos.
- Els mètodes d'aprenentatge supervisat han de ser capaços de generalitzar-se.
- Donen resultats correctes quan es donen dades noves a l’entrada sense conèixer unprioriobjectiu.
- En alguns casos, es coneixen els resultats correctes (objectius) i es donen com a entrada al model durant el procés d’aprenentatge.
Exemple d'aprenentatge supervisat
En el cas que vulgueu entrenar una missió i se us proporcionaran dos grups d'imatges diferents juntament amb les dades etiquetades, per exemple. a la imatge superior, un grup té les imatges d'un elefant i l'altre té les d'un lleó. Les dades etiquetades impliquen que cada conjunt de dades tingui un valor objectiu. A l'exemple anterior, el conjunt de dades són imatges d'elefant, mentre que l'etiqueta que se li assigna, és a dir, 'Elefant', és el valor objectiu del conjunt de dades. Aquest conjunt de dades etiquetades s’utilitza per al procés d’entrenament, de manera que l’algorisme d’entrenament pot aprofitar aquest conjunt de dades i construir algun model, que es pot utilitzar per classificar els exemples no vistos sense les dades etiquetades ni la variable objectiu.
Identifiquem les funcions que ajuden a identificar un objecte com a elefant o lleó:
Les funcions podria ser - mida, color, alçada, mida de l’orella, tronc, ullal
Això es pot anomenar conjunt de funcions, que s'utilitzarà amb la finalitat de la formació. Aquest conjunt de funcions afectarà la variable objectiu final. Aquestes variables es coneixen com variables predictores , perquè ens ajuden a determinar el variable objectiu final . La variable final també es pot anomenar etiqueta. La variable final aquí hi ha Elefant / Lleó.
En aquest exemple, cadascun dels registres de les categories, mida, color, alçada, mida de l’orella, tronc i ullal és una variable predictora, mentre que Elefant i Lleó són les variables objectiu. Aquestes variables es poden tractar com a exemples de formació i conjunts de dades de formació, respectivament.
Per tant, l’aprenentatge supervisat és una manera d’entrenar-vos juntament amb les etiquetes, en què demaneu a l’algorisme que extregui certes funcions i, en funció d’això, sempre que vegeu un exemple invisible, l’algorisme el podrà classificar a la classe adequada.
Tens alguna pregunta? Esmenta’ls a la secció de comentaris i et respondrem.
mergesort en c ++
Articles Relacionats: