A legfontosabb kiindulópont minden adatelemző számára

Az előnyök

A gépi tanulás megkímélheti Önt attól a fáradságtól, hogy összetett szabályrendszert állítson össze egy adott problémára, amely esetleg nem ideális, és sokkal nehezebb fenntartani.
Megfelelő útmutatásokkal a gépi tanulás jobb és gyorsabb megoldási módszereket találhat. a problémáidat.

Hol kezdjem?

Először is kezdjük az alapkoncepcióval. Később néhány grafikont és kódolást végzünk, hogy könnyebben megértsük az ügyet és annak következményeit. Később a tényleges megvalósítás még egyszerűbb lesz, mint a cikk koncepciója (ez a rész a végén lesz).

Gépi tanulási típusok

Számos gépi tanulási algoritmus létezik, és sok típusra oszthatja őket. Van felügyelt tanulás, felügyelet nélküli tanulás és megerősítéses tanulás.

A gépi tanulás kenyere a felügyelt tanulás. A lineáris regresszió ott is határozottan magas.

Felügyelt tanulás

A felügyelt tanulás során osztályozott (ismert) adatokat használ, hogy megértse a mögötte álló algoritmust, az egyes jellemzők (paraméterek) közötti kapcsolatot és a végeredményt. Például egy ház mérete és ára közötti kapcsolat.

A felügyelt tanulást is gyakran használják osztályozásra. Ha ez felkeltette érdeklődését, kérjük, írjon megjegyzést egy további cikkhez.

A tökéletes példa: Lakáspiac

Foglaljuk össze egy pillanatra. Említettük, hogy a felügyelt tanuláshoz milyen adatokra van szükség a tanuláshoz, és hogy a lineáris regresszió hogyan határozza meg, hogy az egyes paraméterek (jellemzők) mennyire befolyásolják az eredményeket.

A lakáspiac hatalmas mennyiségű adatot tartalmaz az eladások terén, minden felügyelt adatot megad, amire szüksége van, és nyilvánvalóan viszonylag állandó súlya van minden funkciónak. A méretét, a szobák számát stb. mind figyelembe kell venni a ház áránál.

A folyamat 2D-ben

A folyamatot 2D-ben kezdem, mivel sokkal könnyebben érthető.
Tegyük fel, hogy a négyzetméter az egyetlen jellemző (paraméter), amely meghatározza egy ház árát. Ezt grafikonon ábrázolhatjuk, és ezt a futballnak tűnő eredményt kapjuk:

Most az az ötlet, hogy készíthetünk egy lineáris függvényt, amely pontosan átmegy a golyón, és valahogy így fog kinézni:

y = x1*SqFt + x0

X0 mennyibe kerül egy ház kiindulási pontként anélkül, hogy bármi mást tudnánk.

Most kezdjük azzal, hogy teljesen véletlenszerű értékeket adunk x1 és x0, és ebből az egyenletből kiszámítjuk a várható Y értéket.

Most azt kell tennünk, hogy kitaláljuk, milyen rosszat tettünk, és ennek kijavításához egy gradiens süllyedésnek nevezett algoritmust használunk.

Gradiens süllyedés

Anélkül, hogy túl sok matematikába mennénk bele, az ötlet az, hogy vegyük a költségfüggvény deriváltját (a mi hibánk), és tegyünk egy lépést a legközelebbi lokális minimum felé.

Ez a fő matematikai folyamat az ML-ben, amelynek vizsgálatát ajánlom, de az első két sor egyszerű megértése is elegendő az ML használatának megkezdéséhez.

Egyszerűbben fogalmazva, ha a költségfüggvény egyfajta parabola, akkor a grafikonon lefelé sétálunk a legközelebbi völgybe.

Minél meredekebb a költségfüggvény, annál nagyobbak a lépések.

Ez a mi körünkben van, és a veszteséget és a tanulást jelenti. Ez a grafikon a folyamatot mutatja az idő múlásával:

Bostoni lakáspiac

A bostoni lakáspiac a Python "scikit-learn" moduljával érkezik, amely mindent tartalmaz, ami a szabványos gépi tanulási algoritmusokhoz és megvalósításhoz szükséges. Ez lesz a tanulási tapasztalatunk adatkészlete.

A Scikit-learn már rendelkezik egy előre beépített funkcióval a teljes folyamathoz, és így néz ki:

Megjegyzés: A teszt- és vonatadatokra való felosztás fontos! Ha betanított adatokra jósol, az eredmények túlillesztést okozhatnak, ami azt jelenti, hogy a folyamat csak az Ön adatain működik, az új adatokon nem.

Következtetés

Ez a cikk nem azért készült, hogy matematikát tanítson, vagy hogy egy nap alatt ML-szakértő legyen. Egyszerűen megpróbálok egy viszonylag jó kiindulópontot adni az ügyben, hogy megértsd a fő fogalmakat. Ha szereti ezt a témát, tudni fogja, hogy mely tárgyakat kell keresnie (tanulás, hibák, jellemzők, gradiens süllyedés stb.).

Remélem élvezted. Kérjük, kommentálja, ha igen, és szeretne egy mélyebb merülést látni!