Terminologia ML
Kluczowe terminologie uczenia maszynowego to:
- Relacje
- Etykiety
- Cechy
- Modele
- Trening
- Wnioskowanie
Relacje
Systemy uczenia maszynowego wykorzystują relacje między danymi wejściowymi do tworzenia prognoz .
W algebrze związek jest często zapisywany jako y = ax + b :
- y to etykieta, którą chcemy przewidzieć
- a jest nachyleniem linii
- x to wartości wejściowe
- b to punkt przecięcia
W przypadku ML związek jest zapisany jako y = b + wx :
- y to etykieta, którą chcemy przewidzieć
- w to waga (nachylenie)
- x to cechy (wartości wejściowe)
- b to punkt przecięcia
Etykiety uczenia maszynowego
W terminologii uczenia maszynowego etykieta jest tym, co chcemy przewidzieć .
To jest jak y na wykresie liniowym:
| Algebra | Nauczanie maszynowe |
| y = topór + b | y = b + wx |
Funkcje uczenia maszynowego
W terminologii uczenia maszynowego funkcje są danymi wejściowymi .
Są jak wartości x na wykresie liniowym:
| Algebra | Nauczanie maszynowe |
| y = ax + b | y = b + w x |
Czasami może być wiele cech (wartości wejściowych) o różnych wagach:
y = b + w1x1 + w2x2 + w3x3 + w4x4 _ _ _ _ _
Modele uczenia maszynowego
Model definiuje relację między etykietą (y) a cechami (x) .
W życiu modelu istnieją trzy fazy:
- Zbieranie danych
- Trening
- Wnioskowanie
Szkolenie w zakresie uczenia maszynowego
Celem szkolenia jest stworzenie modelu, który może odpowiedzieć na pytanie. Jaka jest oczekiwana cena domu?
Wnioskowanie o uczeniu maszynowym
Wnioskowanie ma miejsce, gdy uczony model jest używany do wnioskowania (przewidywania) wartości przy użyciu danych na żywo. Jak wprowadzenie modelu do produkcji.