Обучение с учителем

Обучение с учителем, также называемое машинным обучением с учителем, — это подкатегория машинного обучения и искусственного интеллекта

Введение:

Со временем люди учатся на своём опыте и на его основе принимают решения. Подобно тому как работает машинное обучение, компьютер может учиться и адаптироваться, используя закономерности и алгоритмы из прошлых записей. Ваш компьютер анализирует предыдущие данные и делает выводы без явных указаний, прогнозируя будущие результаты на основе существующих записей.

Что такое машинное обучение?

Машинное обучение — это категория анализа данных, автоматизирующая построение диагностических моделей. Это система, способная извлекать информацию из данных, выявлять закономерности и делать выводы практически без участия человека. Система может учиться и развиваться без явного программирования благодаря использованию искусственного интеллекта.

Что такое обучение с учителем?

Искусственный интеллект создаётся посредством обучения с учителем. В этом методе алгоритмы компьютера обучают, подавая ему данные (надлежащим образом размеченные) для определённого результата. Данные используются для обучения, пока система не сможет распознавать закономерности и определять связь между входными данными и выходными метками. Мы можем использовать это, чтобы определить точный результат для заданной метки.

Каковы некоторые примеры обучения с учителем?

Вкратце, обучение с учителем — это когда преподаватель обучает машину на хорошо размеченных данных. При использовании метода обучения с учителем компьютеру предоставляется новая группа или набор примеров (данных) для анализа обучающих данных (набора обучающих или подготовительных примеров), и он формирует подходящий результат на основе размеченных данных.

Как работает обучение с учителем?

В обучении с учителем мы обучаем модель на размеченном наборе данных. Модель обучается на каждом типе данных. По завершении обучения мы проверяем обученную модель на тестовых данных. На основе предыдущего обучения машина предсказывает результат.

Допустим, у нас есть набор данных с разнообразными формами фигур, такими как квадраты, прямоугольники и многоугольники. Классический алгоритм сейчас нужно обучать для каждой фигуры на начальном этапе.

• Если у фигуры четыре стороны или угла и все они равны, её относят к квадрату.
• Вся процедура будет помечена как треугольник, если у фигуры три стороны.
• Если введённая фигура имеет шесть равных сторон, её относят к шестиугольнику.

После обучения мы используем тестовую выборку, чтобы проверить нашу модель, и задача модели — распознать форму.

Система была заранее обучена на разнообразных формах, и когда она встречает новую, она её классифицирует.[1]

Какие шаги включает машинное обучение?

• Сначала определите тип обучающего набора данных, который вы будете использовать.
• Получите размеченные обучающие данные, собрав и накопив их.
• Разделите обучающий набор данных на три части: обучающую, тестовую и валидационную.
• Определите входные характеристики обучающего набора данных, которые должны содержать достаточно информации, чтобы модель могла успешно предсказать результат.
• Выберите подходящий для модели алгоритм, например метод опорных векторов или дерево решений.
• Отработайте обучающий набор данных для запуска алгоритма. Валидационные наборы, являющиеся подмножеством обучающих наборов данных, иногда нужны в качестве регуляторов или контрольных параметров.
• Предоставив тестовую выборку, вы можете оценить правильность модели. Если модель правильно предсказывает результат, значит, наша модель точна.

Каковы категории обучения с учителем?

Ниже приведены категории, на которые делится обучение с учителем.

1. Регрессия
2. Классификация

Каковы плюсы обучения с учителем?

• В обучающих данных у вас будет подробное представление о периодах.
• Вы должны уметь понимать, как работает механизм обучения с учителем. Что касается обучения без учителя, мы не всегда знаем, что происходит внутри машины, как она учится и так далее.
• Перед тем как приступить к обучению на данных, можно задать точное количество классов.
• Вы можете очень точно задать смысл классов, то есть обучить классификатор так, чтобы у него была безупречная граница принятия решений и он мог надёжно различать разные классы.
• Вам не нужно хранить обучающие данные в памяти после завершения всей программы. Вместо этого можно использовать математическую формулу, чтобы сохранить границы принятия решений.[2]

Каковы минусы обучения с учителем?

• Во многих отношениях обучение с учителем искусственно, и оно не справляется с некоторыми более сложными задачами машинного обучения.
• Обучение с учителем, в отличие от обучения без учителя, не может извлекать неизвестную информацию из обучающих данных.
• В отличие от обучения без учителя, оно не может самостоятельно кластеризовать или классифицировать данные, определяя их характеристики.
• Что касается классификации, если мы подаём на вход данные, не принадлежащие ни одному из классов в обучающих данных, результатом может стать неверная метка класса. Представьте, что вы обучили классификатор изображений на данных о кошках и собаках. Если подать изображение жирафа, результатом может быть либо кошка, либо собака, что неверно.
• Допустим, в вашем обучающем наборе отсутствуют некоторые примеры, и вы хотите добавить урок. Тогда после обучения при использовании этих образцов вы можете не получить правильную метку класса на входе.

Вывод:

Обучение с учителем отлично справляется с задачами классификации и регрессии, например с определением категории новостной статьи или прогнозированием числа транзакций на будущую дату. Цель процесса обучения с учителем — усвоить смысл данных в контексте конкретной задачи.

1. Машинное обучение с учителем. Доступно по адресу: https://www.javatpoint.com/supervised-machine-learning.
2. Petersson, D.supervised learning. Доступно по адресу: https://www.techtarget.com/searchenterpriseai/definition/supervised-learning.

 

Два основных типа обучения с учителем

• Классификация: предсказание категории, например спам или не спам, или является ли транзакция мошеннической.
• Регрессия: предсказание числа, например цены дома или продаж в следующем месяце.

Распространённые алгоритмы

Линейная и логистическая регрессия, деревья решений, случайные леса, метод опорных векторов, k ближайших соседей и нейронные сети.

Простой пример

Чтобы предсказать, задержит ли клиент платёж по рассрочке, вы обучаете модель на прошлых клиентах, у которых результат известен (заплатил вовремя или с опозданием), используя такие признаки, как уровень дохода, внесённый аванс и прежнее поведение. Затем модель оценивает новых клиентов. Инструменты для рассрочки, такие как Installment Management System, хранят именно такие данные.

Сильные стороны и ограничения

Обучение с учителем точно, когда у вас есть качественные размеченные данные, но разметка стоит дорого, а модель усваивает только то, что показывают метки. Сравните его с обучением без учителя и обучением с подкреплением.

Быстрые ответы

Что такое переобучение?

Переобучение — это когда модель запоминает обучающие данные и плохо работает на новых данных. Его снижают с помощью большего объёма данных, более простых моделей и валидации.