Терминология машинного обучения

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:

Особенности машинного обучения

В терминологии машинного обучения функции являются входными данными .

Они похожи на значения x на линейном графике:

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.