Документация

Что такое обучение под наблюдением?

Цель контролируемого машинного обучения состоит в том, чтобы создать модель, которая делает предсказания на основе доказательств в присутствии неопределенности. Когда адаптивные алгоритмы идентифицируют шаблоны в данных, компьютер «учится» из наблюдений. При воздействии большего количества наблюдений компьютер улучшает свою прогнозирующую эффективность.

В частности, алгоритм контролируемого обучения принимает известный набор входных данных и имеющихся откликов к данным (выходу) и trains модель, чтобы сгенерировать разумные предсказания для ответа на новые данные.

Например, предположим, вы хотите предсказать, будет ли у кого-то сердечный приступ в течение года. У вас есть набор данных о предыдущих пациентах, включая возраст, вес, рост, артериальное давление и т. Д. Вы знаете, были ли у предыдущих пациентов сердечные приступы в течение года после измерения. Итак, проблема состоит в том, чтобы объединить все существующие данные в модель, которая может предсказать, будет ли у нового человека сердечный приступ в течение года.

Можно представить весь набор входных данных как гетерогенную матрицу. Строки матрицы называются observations, examples или instances и каждая из них содержит набор измерений для субъекта (пациентов в примере). Столбцы матрицы называются predictors, attributes или features, и каждая из них является переменными, представляющей измерение, выполненное по каждому предмету (возраст, вес, рост и т.д. в примере). Можно представить данные отклика как вектор-столбец, где каждая строка содержит выход соответствующего наблюдения в входных данных (был ли у пациента сердечный приступ). Чтобы fit или train контролируемую модель обучения, выберите соответствующий алгоритм, а затем передайте ему входные и ответные данные.

Контролируемое обучение разделяется на две широкие категории: классификация и регрессия.

Функции обучения Statistics and Machine Learning Toolbox™ под наблюдением включают в себя объектную платформу, построенную по потоку. Можно эффективно обучать множество алгоритмов, объединять модели в ансамбль, оценивать производительности модели, перекрестно проверять и прогнозировать ответы для новых данных.

Шаги в обучении под наблюдением

Хотя существует много Statistics and Machine Learning Toolbox алгоритмов для контролируемого обучения, большинство использует один и тот же базовый рабочий процесс для получения модели предиктора. (Подробная инструкция по шагам обучения ансамблей представлена в Рамках обучения ансамблей.) Шаги для контролируемого обучения:

• Подготовка данных

• Выбор алгоритма

• Подбор модели

• Выбор метода валидации

• Исследуйте подгонку и обновление до удовлетворения

• Используйте подобранную модель для предсказаний

Ypredicted = predict(obj,Xnew)

Характеристики алгоритмов классификации

Эта таблица показывает типичные характеристики различных алгоритмов контролируемого обучения. Характеристики в любую конкретную ситуацию могут отличаться от перечисленных таковых. Используйте таблицу в качестве руководства для первоначального выбора алгоритмов. Определитесь с компромиссом, который вы хотите в скорости, использовании памяти, гибкости и интерпретации.

Результаты в этой таблице основаны на анализе многих наборов данных. Наборы данных в исследовании имеют до 7000 наблюдений, 80 предикторов и 50 классов. Этот список определяет условия в таблице.

Скорость:

Память