Uczenie nadzorowane – fiszki

Uczenie nadzorowane

Metoda uczenia maszynowego, w której model jest trenowany na oznakowanych danych, czyli takich z przypisanymi etykietami.

Przykłady algorytmów

Regresja liniowa, drzewa decyzyjne, SVM, sieci neuronowe to popularne algorytmy uczenia nadzorowanego.

Celem uczenia nadzorowanego

Jest przewidywanie wartości wyjściowych na podstawie danych wejściowych z wykorzystaniem znanych etykiet.

Współczynnik dokładności

Miara skuteczności modelu, określa stosunek poprawnych prognoz do ogólnej liczby prognoz.

Zbiór treningowy

Zestaw danych używany do trenowania modelu, zawierający dane wejściowe i odpowiadające im etykiety.

Overfitting

Zjawisko, w którym model uczy się zbyt dokładnie danych treningowych, przez co gorzej radzi sobie z nowymi danymi.

Weryfikacja krzyżowa

Technika oceny modelu, polegająca na podziale danych na część treningową i testową w wielu iteracjach.

Klasyfikacja

Zadanie polegające na przypisaniu etykiety do nowych danych na podstawie trenowanego modelu.

Regresja

Zadanie przewidywania wartości ciągłej na podstawie danych wejściowych.

Kiedy stosować uczenie nadzorowane?

Gdy mamy dostęp do etykietowanych danych i chcemy przewidzieć wyniki na ich podstawie.

Zbiór testowy

Zestaw danych używany do oceny wydajności modelu po jego wytrenowaniu.

Miara F1

Harmoniczna średnia precyzji i czułości, istotna w zadaniach klasyfikacyjnych z niezrównoważonymi danymi.

Prawda czy fałsz: Uczenie nadzorowane wymaga etykietowanych danych.

Prawda, ponieważ model uczy się na podstawie danych, które mają przypisane etykiety.

Zastosowania uczenia nadzorowanego

Rozpoznawanie obrazów, analiza sentymentu, prognozowanie sprzedaży, filtracja spamu to przykłady zastosowań.

Różnica między klasyfikacją a regresją

Klasyfikacja przewiduje kategorie, regresja przewiduje wartości ciągłe.