Наблюдаваното обучение е видовете машинно обучение, при които машините се обучават с помощта на добре „етикетирани“ данни за обучение и въз основа на тези данни машините предвиждат резултата. Означените данни означават, че някои входни данни вече са маркирани с правилния изход.

При контролирано обучение данните за обучение, предоставени на машините, работят като супервайзор, който учи машините да предвиждат правилно изхода. Той прилага същата концепция, както ученикът учи под наблюдението на учителя.

Контролираното обучение е процес на предоставяне на входни данни, както и правилни изходни данни към модела на машинно обучение. Целта на алгоритъма за контролирано обучение е да намерете функция за картографиране, за да картографирате входната променлива (x) с изходната променлива (y) .

java има следващ

В реалния свят контролираното обучение може да се използва за Оценка на риска, класифициране на изображения, откриване на измами, филтриране на спам и т.н.

Как работи контролираното обучение?

При контролирано обучение моделите се обучават с помощта на етикетиран набор от данни, където моделът научава за всеки тип данни. След като процесът на обучение приключи, моделът се тества на базата на тестови данни (подмножество от набора за обучение) и след това прогнозира изхода.

Работата на контролираното обучение може лесно да се разбере от примера и диаграмата по-долу:

Да предположим, че имаме набор от данни от различни типове форми, който включва квадрат, правоъгълник, триъгълник и многоъгълник. Сега първата стъпка е, че трябва да обучим модела за всяка форма.

• Ако дадената форма има четири страни и всички страни са равни, тогава тя ще бъде обозначена като a Квадрат .
• Ако дадената форма има три страни, тогава тя ще бъде означена като a триъгълник .
• Ако дадената форма има шест равни страни, тогава тя ще бъде означена като шестоъгълник .

Сега, след обучение, ние тестваме нашия модел с помощта на тестовия набор и задачата на модела е да идентифицира формата.

Машината вече е обучена на всички видове форми и когато намери нова форма, класифицира формата на основата на няколко страни и прогнозира резултата.

Стъпки, включени в контролираното обучение:

• Първо определете типа набор от данни за обучение
• Съберете етикетираните данни за обучение.
• Разделете набора от данни за обучение на обучение набор от данни, набор от тестови данни и набор от данни за валидиране .
• Определете входните характеристики на набора от данни за обучение, който трябва да има достатъчно знания, така че моделът да може точно да предвиди изхода.
• Определете подходящия алгоритъм за модела, като опорна векторна машина, дърво на решенията и др.
• Изпълнете алгоритъма върху набора от данни за обучение. Понякога имаме нужда от набори за валидиране като контролни параметри, които са подмножество от набори от данни за обучение.
• Оценете точността на модела, като предоставите тестовия комплект. Ако моделът предвижда правилния резултат, това означава, че нашият модел е точен.

Видове контролирани алгоритми за машинно обучение:

Контролираното обучение може допълнително да бъде разделено на два типа проблеми:

ако от Ръдиард Киплинг резюме

1. Регресия

Алгоритмите за регресия се използват, ако има връзка между входната променлива и изходната променлива. Използва се за прогнозиране на непрекъснати променливи, като прогнозиране на времето, пазарни тенденции и т.н. По-долу са дадени някои популярни регресионни алгоритми, които са под наблюдение:

• Линейна регресия
• Регресионни дървета
• Нелинейна регресия
• Байесова линейна регресия
• Полиномиална регресия

2. Класификация

вълк срещу лисица

Алгоритмите за класификация се използват, когато изходната променлива е категорична, което означава, че има два класа като Да-Не, Мъж-Жена, Вярно-Невярно и т.н.

Филтриране на спам,

• Случайна гора
• Дървета на решенията
• Логистична регресия
• Поддържащи векторни машини

Забележка: Ще обсъдим подробно тези алгоритми в следващите глави.

Предимства на контролираното обучение:

• С помощта на контролирано обучение моделът може да предвиди резултата въз основа на предишен опит.
• При контролираното обучение можем да имаме точна представа за класовете обекти.
• Моделът на контролирано обучение ни помага да решаваме различни проблеми от реалния свят, като напр откриване на измами, филтриране на спам и т.н.

Недостатъци на контролираното обучение:

• Моделите на контролирано обучение не са подходящи за справяне със сложни задачи.
• Контролираното обучение не може да предвиди правилния изход, ако данните от теста са различни от набора от данни за обучение.
• Обучението изискваше много изчислителни времена.
• При контролираното обучение се нуждаем от достатъчно знания за класовете обекти.