Imparare dai dati significa trovare un utile relazione e verificare che funziona in nuovi esempi. A buon risultato circa i dati già visti non è abbastanza buono.
Obiettivi: identificare features e labels; distinguere regressione e classificazione; interpretare clustering e apprendimento per rinforzo; e seguire il flusso di un notebook separando correttamente addestramento e valutazione.
Concetti Chiave
Uno. caratteristica È una funzione di ingresso, come le ore di utilizzo o la temperatura. Uno. Etichetta, la variabile target o target è la risposta conosciuta durante la formazione supervisionata, come durata di una riparazione o tipo di malfunzionamento. riga A con ingressi e un modulo di risposta un esempio.
The algoritmo imposta i parametri utilizzando gli esempi. The modello addestrato contiene quello che è stato imparato. Indice applicare questo modello ad una nuova voce; Non significa riqualificarlo.
In regressioneL'output , la è numerico: ore di riparazione stimate. In ClassificazioneL'uscita , la è una classe: guasto elettrico, meccanico o software. Due classi costituiscono la classificazione binaria. Più di due, multiclase.
Monitoraggio e valutazione
Calcoli semplici di regressione lineare A predicción = w × x + b. Il peso w cambia il pendio e il bias b Esatto. Esatto. La funzione di perdita misura l'errore. L'allenamento cerca parametri che li riducono. La perdita quadratica di A penalizza gli errori più grandi.
The regressione logisticaNonostante il suo nome, il suo nome funge da classificazione. Nella sua versione binaria, un sigmoide ha trasformato un punteggio in un valore tra 0 e 1. La soglia A trasforma tale valore in una decisione. La soglia appropriata dipende dal costo di falsi positivi e falsi negativi che non è una legge 0,5.
Riservare i dati per valutare la generalizzazione. Treno regola; validazione aiuta a selezionare le impostazioni. Test di prova considera il risultato finale senza continuare ad affilare contro di esso. Se standardzzi, calcolo significa e deviazione solo su formazione e riutilizzo di quella trasformazione. Regolarlo utilizzando tutte le informazioni dei filtri di dati dal test.
Accuratezza E' un rapporto di caso per caso, ma puoi ingannare con una classe sbilanciata. Se l'attrezzatura di 98 100 è sana, sempre le risposte "sano" raggiungono 98% e rilevano zero difetti. Precisione ha risposto a quanti avvertimenti avevano ragione. richiamarequanti veri errori hai trovato. F1 Piegateli tutti e due. Sovraccarico E' troppo da vedere e male generalizzare.
Clustering e formazione rafforzando
Apprendimento non supervisionato scoprire la struttura senza un'etichetta di destinazione. Il clustering A potrebbe raggruppare le apparecchiature mediante i modelli di utilizzo. La distanza e l'arrampicata hanno un'influenza: misurare ore e volt senza trattare le scale possono padroneggiare i gruppi. Il gruppo matematico A ha bisogno di un'interpretazione. non porta un nome d'affari garantito.
In rafforzare l'apprendimentoun agente guarda un stato, seleziona un'azione e interagisce con un ambiente che restituisce le conseguenze e le ricompense. Uno. politica azioni guida. L'obiettivo è quello di migliorare la ricompensa accumulata, considerando i risultati futuri. Esplorare ci permette di imparare. Sta usando cio' che ha gia' funzionato. L'agente A LLM che gli strumenti chiamate non necessariamente si allenano rafforzando durante quella conversazione.
Esempio guidato
Alla dimostrazione di Iris, quattro misure di sepali e petali sono le caratteristiche e la specie è l'etichetta. Ci sono tre specie: classificazione multiclase, anche se l'algoritmo utilizzato è chiamato regressione logistica.
- Apri un notebook Jupitter e riconoscere il codice e le celle di Markdown. Il kernel conserva variabili; Riavviare ed eseguire in ordine controllare la riproducibilità.
- Ispezioni colonne e valori mancanti. Rimuovere l'identificatore di riga e la specie di ingressi.
- Dividere esempi in formazione e testare il seme fisso A rende la divisione riproducibile, non garantisce la qualità.
- Gradatore di stretching e training. Trasforma gli input di prova senza ridefinire la scala mobile.
- Confrontare le previsioni con le etichette riservate; trasformato un nuovo fiore con la stessa scala mobile prima di inferire.
A 100% in una piccola partizione non dimostra la perfezione universale. Ripetere la valutazione con dati rappresentativi e rivedere casi difficili.
Errori comuni
- Valutare solo con le righe utilizzate per allenarsi.
- Unire una variabile numerica che codifica le categorie con un problema di regressione.
- Assumere che ogni punto atipico è frode o un raggruppamento è una classificazione supervisionata.
- Regolare la scala mobile o selezionare le funzionalità con le informazioni di prova.
- Dare al modello una colonna calcolata dopo l'evento che mira a prevedere.
Esercizio diagnostico
Dalle apparecchiature 200, 190 sono sani e 10 non riesce. Il modello A prevede "sano" per tutti. Un altro problema chiamate per una stima di ore di riparazione. Che cosa si conclude con il primo modello e quale compito è secondo?
Soluzione
Il primo e' finito. 190 / 200 = 95% ma il suo richiamo di bug è 0 / 10 = 0%. Il compito di Non passa di rilevarli. Le ore di stretching sono regressioni. È necessario scegliere le metriche e valutare ogni obiettivo separatamente. una cifra globale elevata non sostituisce il risultato aziendale.
Fonti e recensioni
Redata Machine Learning Foundations e la loro dimostrazione a Oracle MyLearn. Spiega perché la validazione di un formato fisso non richiede ML e perché il nome "regressione dilogistica" non descriva un output continuo.