L'aprenentatge supervisat és el tipus d'aprenentatge automàtic en què les màquines s'entrenen mitjançant dades d'entrenament ben 'etiquetades' i, a partir d'aquestes dades, les màquines prediuen la sortida. Les dades etiquetades significa que algunes dades d'entrada ja estan etiquetades amb la sortida correcta.
java cast char a cadena
En l'aprenentatge supervisat, les dades d'entrenament proporcionades a les màquines funcionen com a supervisor que ensenya a les màquines a predir correctament la sortida. Aplica el mateix concepte que l'alumne aprèn sota la supervisió del professor.
L'aprenentatge supervisat és un procés de proporcionar dades d'entrada i dades de sortida correctes al model d'aprenentatge automàtic. L'objectiu d'un algorisme d'aprenentatge supervisat és Trobeu una funció de mapeig per mapar la variable d'entrada (x) amb la variable de sortida (y) .
En el món real, es pot utilitzar l'aprenentatge supervisat Avaluació de riscos, classificació d'imatges, detecció de frau, filtratge de correu brossa , etc.
Com funciona l'aprenentatge supervisat?
En l'aprenentatge supervisat, els models s'entrenen mitjançant un conjunt de dades etiquetat, on el model aprèn sobre cada tipus de dades. Un cop finalitzat el procés d'entrenament, el model es prova a partir de les dades de prova (un subconjunt del conjunt d'entrenament) i després prediu la sortida.
El funcionament de l'aprenentatge supervisat es pot entendre fàcilment amb l'exemple i el diagrama següents:
Suposem que tenim un conjunt de dades de diferents tipus de formes que inclouen quadrat, rectangle, triangle i polígon. Ara el primer pas és que hem d'entrenar el model per a cada forma.
- Si la forma donada té quatre costats i tots els costats són iguals, s'etiquetarà com a Quadrat .
- Si la forma donada té tres costats, s'etiquetarà com a triangle .
- Si la forma donada té sis costats iguals, s'etiquetarà com a hexàgon .
Ara, després de l'entrenament, posem a prova el nostre model amb el conjunt de proves, i la tasca del model és identificar la forma.
La màquina ja està entrenada en tot tipus de formes, i quan troba una nova forma, classifica la forma a partir d'una sèrie de costats i prediu la sortida.
Passos implicats en l'aprenentatge supervisat:
- Primer determineu el tipus de conjunt de dades d'entrenament
- Recolliu/Recolliu les dades d'entrenament etiquetades.
- Dividiu el conjunt de dades de formació en formació conjunt de dades, conjunt de dades de prova i conjunt de dades de validació .
- Determineu les característiques d'entrada del conjunt de dades d'entrenament, que hauria de tenir prou coneixement perquè el model pugui predir amb precisió la sortida.
- Determineu l'algorisme adequat per al model, com ara la màquina vectorial de suport, l'arbre de decisió, etc.
- Executeu l'algorisme al conjunt de dades d'entrenament. De vegades necessitem conjunts de validació com a paràmetres de control, que són el subconjunt de conjunts de dades d'entrenament.
- Avalueu la precisió del model proporcionant el conjunt de prova. Si el model prediu la sortida correcta, el que significa que el nostre model és precís.
Tipus d'algorismes d'aprenentatge automàtic supervisat:
L'aprenentatge supervisat es pot dividir en dos tipus de problemes:
1. Regressió
S'utilitzen algorismes de regressió si hi ha una relació entre la variable d'entrada i la variable de sortida. S'utilitza per a la predicció de variables contínues, com ara la previsió meteorològica, les tendències del mercat, etc. A continuació es mostren alguns algorismes de regressió populars que es troben sota aprenentatge supervisat:
- Regressió lineal
- Arbres de regressió
- Regressió no lineal
- Regresió lineal bayesiana
- Regressió polinòmica
2. Classificació
Els algorismes de classificació s'utilitzen quan la variable de sortida és categòrica, el que significa que hi ha dues classes com ara Sí-No, Home-Dona, Vertader-fals, etc.
Filtre de correu brossa,
- Bosc aleatori
- Arbres de decisió
- Regressió logística
- Màquines vectorials de suport
Nota: parlarem d'aquests algorismes en detall en capítols posteriors.
Avantatges de l'aprenentatge supervisat:
- Amb l'ajuda de l'aprenentatge supervisat, el model pot predir el resultat a partir de les experiències prèvies.
- En l'aprenentatge supervisat, podem tenir una idea exacta de les classes d'objectes.
- El model d'aprenentatge supervisat ens ajuda a resoldre diversos problemes del món real, com ara detecció de frau, filtratge de correu brossa , etc.
Inconvenients de l'aprenentatge supervisat:
- Els models d'aprenentatge supervisat no són adequats per manejar les tasques complexes.
- L'aprenentatge supervisat no pot predir la sortida correcta si les dades de la prova són diferents del conjunt de dades d'entrenament.
- La formació requeria molts temps de càlcul.
- En l'aprenentatge supervisat, necessitem coneixements suficients sobre les classes d'objectes.