Терминология машинного обучения
Ключевые термины машинного обучения :
- Отношения
- Этикетки
- Функции
- Модели
- Обучение
- Вывод
Отношения
Системы машинного обучения используют отношения между входными данными для создания прогнозов .
В алгебре отношение часто записывается как y = ax + b :
- y - это метка, которую мы хотим предсказать
- а - наклон линии
- x - входные значения
- b - перехват
С ML отношение записывается как y = b + wx :
- y - это метка, которую мы хотим предсказать
- w - вес (наклон)
- x - это функции (входные значения)
- b - перехват
Ярлыки машинного обучения
В терминологии машинного обучения метка — это то, что мы хотим предсказать .
Это похоже на y в линейном графике:
Алгебра | Машинное обучение |
у = топор + б | у = б + шх |
Особенности машинного обучения
В терминологии машинного обучения функции являются входными данными .
Они похожи на значения x на линейном графике:
Алгебра | Машинное обучение |
у = а х + б | у = б + ш х |
Иногда может быть много признаков (входных значений) с разными весами:
y = b + w1x1 + w2x2 + w3x3 + w4x4 _ _ _ _ _
Модели машинного обучения
Модель определяет взаимосвязь между меткой (y) и функциями (x).
В жизни модели есть три этапа:
- Сбор данных
- Обучение
- Вывод
Обучение машинному обучению
Цель обучения — создать модель, способную ответить на вопрос. Например, какова ожидаемая цена дома?
Вывод машинного обучения
Вывод — это когда обученная модель используется для вывода (предсказания) значений с использованием данных в реальном времени. Например, запуск модели в производство.