Denetimli öğrenme, makinelerin iyi 'etiketli' eğitim verileri kullanılarak eğitildiği ve bu verilere dayanarak makinelerin çıktıyı tahmin ettiği makine öğrenimi türleridir. Etiketli veriler, bazı giriş verilerinin zaten doğru çıktıyla etiketlendiği anlamına gelir.
Denetimli öğrenmede makinelere sağlanan eğitim verileri, makinelere çıktıyı doğru tahmin etmeyi öğreten süpervizör görevi görür. Bir öğrencinin öğretmen gözetiminde öğrendiği kavramın aynısını uygular.
Denetimli öğrenme, makine öğrenimi modeline doğru çıktı verilerinin yanı sıra girdi verilerinin de sağlanması işlemidir. Denetimli öğrenme algoritmasının amacı, Giriş değişkenini (x) çıkış değişkeni (y) ile eşlemek için bir eşleme işlevi bulun .
java'da null olup olmadığını kontrol edin
Gerçek dünyada denetimli öğrenme şu amaçlarla kullanılabilir: Risk Değerlendirmesi, Görüntü sınıflandırması, Dolandırıcılık Tespiti, spam filtreleme , vesaire.
Denetimli Öğrenme Nasıl Çalışır?
Denetimli öğrenmede modeller, modelin her veri türü hakkında bilgi edindiği etiketli veri kümesi kullanılarak eğitilir. Eğitim süreci tamamlandıktan sonra model, test verilerine (eğitim setinin bir alt kümesi) dayanarak test edilir ve ardından çıktıyı tahmin eder.
Denetimli öğrenmenin çalışması aşağıdaki örnek ve diyagramla kolayca anlaşılabilir:
Kare, dikdörtgen, üçgen ve Çokgen içeren farklı şekil türlerinden oluşan bir veri kümemiz olduğunu varsayalım. Şimdi ilk adım, modeli her şekil için eğitmeniz gerekiyor.
- Verilen şeklin dört kenarı varsa ve tüm kenarları eşitse bu durumda şekil olarak etiketlenir. Kare .
- Verilen şeklin üç tarafı varsa, o zaman şu şekilde etiketlenir: üçgen .
- Verilen şeklin altı eşit kenarı varsa, o zaman şu şekilde etiketlenecektir: altıgen .
Şimdi eğitimden sonra test setini kullanarak modelimizi test ediyoruz ve modelin görevi şekli tanımlamaktır.
Makine zaten tüm şekil türleri konusunda eğitilmiştir ve yeni bir şekil bulduğunda, şekli çeşitli kenarlara göre sınıflandırır ve çıktıyı tahmin eder.
Denetimli Öğrenmede Yer Alan Adımlar:
- İlk önce eğitim veri kümesinin türünü belirleyin
- Etiketli eğitim verilerini toplayın/toplayın.
- Eğitim veri kümesini eğitime ayırın veri kümesi, test veri kümesi ve doğrulama veri kümesi .
- Modelin çıktıyı doğru bir şekilde tahmin edebilmesi için yeterli bilgiye sahip olması gereken eğitim veri kümesinin girdi özelliklerini belirleyin.
- Destek vektör makinesi, karar ağacı vb. gibi modele uygun algoritmayı belirleyin.
- Algoritmayı eğitim veri kümesi üzerinde yürütün. Bazen eğitim veri setlerinin alt kümesi olan kontrol parametreleri olarak doğrulama setlerine ihtiyaç duyarız.
- Test setini sağlayarak modelin doğruluğunu değerlendirin. Eğer model doğru çıktıyı tahmin ediyorsa bu, modelimizin doğru olduğu anlamına gelir.
Denetimli Makine öğrenimi Algoritmalarının türleri:
Denetimli öğrenme ayrıca iki tür soruna ayrılabilir:
veri yapısında yapı nedir
1. Regresyon
Giriş değişkeni ile çıkış değişkeni arasında bir ilişki varsa regresyon algoritmaları kullanılır. Hava Durumu tahmini, Piyasa Trendleri vb. gibi sürekli değişkenlerin tahmini için kullanılır. Aşağıda denetimli öğrenmeye giren bazı popüler Regresyon algoritmaları bulunmaktadır:
- Doğrusal Regresyon
- Regresyon Ağaçları
- Doğrusal Olmayan Regresyon
- Bayesian Doğrusal Regresyon
- Polinom Regresyon
2. Sınıflandırma
string.format java string
Çıkış değişkeni kategorik olduğunda yani Evet-Hayır, Erkek-Kadın, Doğru-Yanlış gibi iki sınıf olduğunda sınıflandırma algoritmaları kullanılır.
Spam Filtreleme,
- Rastgele Orman
- Karar ağaçları
- Lojistik regresyon
- Vektör makineleri desteklemek
Not: Bu algoritmaları daha sonraki bölümlerde ayrıntılı olarak ele alacağız.
Denetimli öğrenmenin avantajları:
- Denetimli öğrenmenin yardımıyla model, önceki deneyimlere dayanarak çıktıyı tahmin edebilir.
- Denetimli öğrenmede nesnelerin sınıfları hakkında kesin bir fikre sahip olabiliriz.
- Denetimli öğrenme modeli, aşağıdakiler gibi çeşitli gerçek dünya sorunlarını çözmemize yardımcı olur: dolandırıcılık tespiti, spam filtreleme , vesaire.
Denetimli öğrenmenin dezavantajları:
- Denetimli öğrenme modelleri karmaşık görevlerin üstesinden gelmeye uygun değildir.
- Denetimli öğrenme, test verilerinin eğitim veri kümesinden farklı olması durumunda doğru çıktıyı tahmin edemez.
- Eğitim çok fazla hesaplama süresi gerektiriyordu.
- Denetimli öğrenmede nesne sınıfları hakkında yeterli bilgiye ihtiyacımız var.