Grundlagen des überwachten maschinellen Lernens Training Ppt

Folie 1

Diese Folie gibt einen Überblick über überwachtes Lernen, eine der grundlegendsten Arten des maschinellen Lernens. In diesem Fall wird der Algorithmus für maschinelles Lernen anhand gekennzeichneter Daten trainiert. Auch wenn die Daten entsprechend gekennzeichnet sein müssen, damit diese Methode funktioniert, ist überwachtes Lernen wirkungsvoll, wenn es in den richtigen Situationen eingesetzt wird.

Folie 2

Diese Folie zeigt, dass die Regressionsanalyse der grundlegende Ansatz beim maschinellen Lernen ist, um Regressionsprobleme mithilfe von Datenmodellierung anzugehen. Dabei geht es darum, die beste Anpassungslinie festzulegen, die durch alle Datenpunkte verläuft und gleichzeitig den Abstand zwischen dem Balken und jedem Datenpunkt minimiert. Der Regressionsansatz wird hauptsächlich zur Ermittlung der Prädiktorstärke, des Prognosetrends, von Zeitreihen und im Falle eines Ursache-Wirkungs-Zusammenhangs verwendet.

Folie 3

Auf dieser Folie wird beschrieben, dass die lineare und die logistische Regression zwei Regressionsanalyseansätze sind, die zur Lösung von Problemen mithilfe von maschinellem Lernen verwendet werden. Dies sind die beliebtesten Regressionsansätze. Es gibt jedoch viele Arten von Regressionsanalyseansätzen beim maschinellen Lernen, und ihre Verwendung variiert je nach Art der Daten.

Folie 4

Auf dieser Folie heißt es, dass es viele Arten von Regressionsanalysen gibt und die Anwendung jedes Ansatzes von der Anzahl der Komponenten abhängt. Zu diesen Variablen gehören die Art der Zielvariablen, die Form der Regressionsgeraden und die Anzahl der unabhängigen Variablen.

Folie 5

Auf dieser Folie wird beschrieben, dass die lineare Regression eine der grundlegendsten Formen der Regression beim maschinellen Lernen ist. Das lineare Regressionsmodell verknüpft eine Prädiktorvariable und eine abhängige Variable linear.

Folie 6

Auf dieser Folie heißt es, dass es sich bei der Polynomregression um eine Art Regressionsanalyseansatz beim maschinellen Lernen handelt. Sie ähnelt der multiplen linearen Regression, weist jedoch einige Unterschiede auf. Als Schätzer wird ein lineares Modell verwendet. Die Methode des kleinsten mittleren Quadrats wird auch in der Polynomregression verwendet.

Folie 7

Auf dieser Folie heißt es, dass diese Art der Regression beim maschinellen Lernen eingesetzt wird, wenn die unabhängigen Variablen eine starke Korrelation aufweisen. Dies liegt daran, dass in multikollinearen Daten die Schätzungen der kleinsten Quadrate zu unverzerrten Ergebnissen führen. Wenn die Kollinearität jedoch zu hoch ist, liegt möglicherweise ein gewisser Bias-Wert vor.

Folie 8

Auf dieser Folie wird aufgeführt, dass die Lasso-Regression eine Art Regression im maschinellen Lernen ist, die Regularisierung und Funktionsauswahl umfasst. Es verbietet die absolute Größe der Regressionskoeffizienten; und als Ergebnis nähert sich der Koeffizientenwert 0, was bei der Ridge-Regression nicht der Fall ist.

Folie 9

Diese Folie zeigt, dass die Bayes'sche Regression eine Art maschineller Lernregression ist, die das Bayes-Theorem verwendet, um den Wert von Regressionskoeffizienten zu bestimmen. Anstatt die kleinsten Quadrate zu berechnen, bestimmt dieser Regressionsansatz die Posteriorverteilung der Merkmale.

Folie 10

Auf dieser Folie heißt es, dass Entscheidungsbäume ein praktisches Werkzeug sind und viele Anwendungen haben. Entscheidungsbäume können zur Lösung von Klassifizierungs- und Regressionsproblemen verwendet werden. Der Name weist darauf hin, dass die Vorhersagen aus einer Reihe merkmalsbasierter Aufteilungen mithilfe einer flussdiagrammähnlichen Baumstruktur angezeigt werden. Alles beginnt mit einem Wurzelknoten und endet mit einer Blattauswahl.

Folie 11

Diese Folie gibt einen Überblick über den Random-Forest-Algorithmus. Ein Random Forest ist eine Ansammlung von Entscheidungsbäumen. Jeder Baum wird klassifiziert und der Baum „stimmt“ für diese Klasse, um ein neues Element basierend auf seinen Eigenschaften zu klassifizieren. Der Wald wählt die Kategorisierung mit der höchsten Stimmenzahl (über alle Bäume im Wald).

Folie 12

Diese Folie gibt einen Überblick über die logistische Regression, eine Art Regressionsanalyseansatz, der angewendet wird, wenn die abhängige Variable diskontinuierlich ist: Zum Beispiel 0 oder 1, wahr oder falsch und so weiter. Die Logit-Funktion wird in der logistischen Regression verwendet, um den Zusammenhang zwischen der Zielvariablen und den unabhängigen Variablen zu bewerten.

Folie 13

Diese Folie zeigt, dass KNN ein einfacher Algorithmus ist, der alle vorhandenen Instanzen behält und neue Fälle basierend auf der Mehrheitsentscheidung seiner k Nachbarn klassifiziert.

Anmerkungen des Kursleiters:

KNN kann mit einer Analogie aus dem wirklichen Leben verstanden werden. Wenn Sie beispielsweise mehr über jemanden erfahren möchten, chatten Sie mit seinen Freunden und Kollegen.

Bedenken Sie Folgendes, bevor Sie sich für den K Nearest Neighbors-Algorithmus entscheiden:

• Die Berechnung und Ermittlung von KNN ist kostspielig
• Variablen sollten normalisiert werden, da Variablen mit einem größeren Bereich sonst zu einer Verzerrung des Algorithmus führen
• Die Daten müssen noch vorverarbeitet werden

Folie 14

Auf dieser Folie heißt es, dass Naive Bayes eine probabilistische Technik des maschinellen Lernens ist, die auf dem Bayes-Theorem basiert und für eine Vielzahl von Klassifizierungsproblemen verwendet wird. Ein Naive-Bayesian-Modell ist einfach zu erstellen und funktioniert gut mit großen Datenmengen. Es ist einfach zu bedienen und übertrifft selbst die ausgefeiltesten Klassifizierungsalgorithmen.

Folie 15

Diese Folie zeigt, dass der SVM-Algorithmus ein Klassifizierungsprozess ist, bei dem Rohdaten als Punkte in einem n-dimensionalen Raum angezeigt werden (n ist die Anzahl der vorhandenen Features). Der Wert jedes Merkmals wird dann einem bestimmten Ort zugeordnet, wodurch die Kategorisierung der Daten vereinfacht wird. Klassifikatorlinien können Daten unterteilen und in einem Diagramm darstellen.