Orijinal joydeep bhattacharjee
Qianping Derleyin ve organize edin
Qubit Üretildi | Genel Hesap QbitAI
Sözde makine öğrenimi algoritması, optimum modeli bulmak için kullanılan bir dizi hipotezdir. Makine öğrenimi algoritmaları üç kategoriye ayrılabilir.
Denetimli öğrenme: hem girdi özellikleri hem de çıktı etiketleri tanımlanmıştır
Denetimsiz öğrenme: veri seti etiketlenmemiş, amaç gizli ilişkileri keşfetmektir
Takviye öğrenme: bir tür geri bildirim döngüsü, bazı parametrelerin optimize edilmesi gerekir
Bu makale, bazı yaygın ve popüler makine öğrenimi algoritmalarına kısa bir giriş yapmaya çalışmaktadır.
Doğrusal regresyonun amacı, eğitim seti veri dağılımı alanından geçen ve çoğu noktadan en kısa mesafeye sahip bir çizgiye uymaktır.
Basit doğrusal regresyonda, regresyon doğrusu her noktaya olan uzaklıkların toplamını, yani "artık karelerin" toplamını en aza indirir. Bu nedenle, bu yönteme "sıradan en küçük kareler" de denir
Çok boyutlu veriler durumunda, doğrusal regresyon da elde edilebilir. Bununla birlikte, bu durumda, "çizgi" yalnızca N-1 boyutuna sahip yüksek boyutlu bir düzlemdir ve N, veri kümesinin boyutudur
Lojistik regresyon regresyon olarak adlandırılsa da, aslında bir sınıflandırma tekniğidir
Doğrusal regresyonun aksine, lojistik regresyon, bağımsız değişken ile bağımlı değişken arasında doğrusal bir ilişki varsaymaz. Ancak karar yüzeyinin doğrusal olduğunu varsayarsak
Destek vektör makinesi (SVM), hem sınıflandırma problemlerini hem de regresyon problemlerini çözebilen denetimli bir makine öğrenme algoritmasıdır
SVM'de, veri noktalarını N boyutlu bir uzayda çizeriz, burada N özelliklerin sayısını temsil eder; sonra veri noktalarını ayırt etmek için bir hiper düzlem buluruz
Verinin boyutluluğu, veri noktalarının sayısından daha yüksek olduğunda bu iyi bir algoritmadır.
Yüksek boyutlu uzay ile uğraşma ihtiyacı nedeniyle, bu algoritma hesaplama açısından pahalıdır
Verileri K centroidleri etrafında K gruplarına ayırmaya çalışın
"Bir şeyler bir araya gelir, insanlar gruplara ayrılır" a biraz benzer
K-ortalamalı kümeleme algoritmasının uygulanması çok basittir.
K centroidleri rastgele seçin
Ardından veri noktalarını en yakın centroid'e atayın
Ağırlık merkezini ortalama konuma göre yeniden hesaplayın
Ağırlık merkezi konumu artık değişmeyene kadar yineleyin
Tahmin için kullanıldığında, sadece en yakın ağırlık merkezini bulun.
Karar ağacı bir ağaç yapısı sınıflandırıcıdır
Karar ağacı, ağacın kökünden başlayarak, hedef değer olan yaprak düğümüne ulaşana kadar bir örneği veya örneği sınıflandırır.
Karar ağaçları insanları taklit eder, bu nedenle bu modelin anlaşılması kolaydır
Küçük ağaçlar büyük ağaçlardan daha iyidir, ağaç ne kadar büyükse doğruluk o kadar düşüktür
Bunlar bazı temel makine öğrenimi algoritmalarıdır. Bu algoritmalar bıçak ve çatal gibidir, her birinin kendi artıları ve eksileri vardır ve farklı senaryolar için uygundurlar.
Daha fazla sorunuz ve ilgi alanınız varsa, yazarla e-posta yoluyla tartışabilirsiniz. Twitter adresi: https://twitter.com/alt227Joydeep
- Bitiş -
Samimi işe alım
Qubit, editörleri / muhabirleri işe alıyor ve merkezi Pekin, Zhongguancun'da bulunuyor. Yetenekli ve hevesli öğrencilerin bize katılmasını dört gözle bekliyoruz! Ayrıntılar için, lütfen QbitAI diyalog arayüzünde "işe alım" kelimesiyle yanıt verin.
Qubit QbitAI · Toutiao İmzalama Yazarı
' ' Yapay zeka teknolojisi ve ürünlerindeki yeni eğilimleri takip edin