atpv

Навчальні матеріали з автоматизації технологічних процесів та виробництв, розроблені спільнотою

     
<— 1.3 Недостатнє навчання та перенавчання Зміст 2__Efficient_computation.md —>

1.4 Категорії моделей

Ми можемо розділити використання моделей машинного навчання на три великі категорії:

  • Регресія (Regression) складається з прогнозування безперервного вектора $y ∈ R^K$, наприклад положення об’єкта в площині чи просторі, за вхідним сигналом $X$. Це багатовимірне узагальнення установки, яке ми бачили в §1.2. Тренувальний набір складається з пар вхідного сигналу та значення фундаментальної істини (ground-truth).
  • Classification (Класифікація) спрямована на передбачення конкретного значення мітки $Y$ зі скінченного набору пропозицій ${1,…,C}$ за відображенням $X$. Як і в регресії, тренувальний набір складається з пар вхідного сигналу та значення фундаментальної істини, яка в даному випадку є міткою для цього набору. Стандартний спосіб вирішити це завдання полягає в тому, щоб надати максимальний бал для правильного передбачувального класу.
  • Моделювання щільності має своєю метою змоделювати функцію щільності ймовірності самих даних $μ_X$, наприклад, зображень. У цьому випадку тренувальний набір складається зі значень $x_n$ без пов’язаних величин для прогнозування, а натренована модель повинна дозволяти робити оцінку функції щільності ймовірності, або генерувати вибірку за законом розподілу (sampling from the distribution), або і одне й інше.

Як регресію, так і класифікацію зазвичай називають навчанням з учителем (supervised learning), оскільки під час тренування у якості цілі наприклад, людьми-експертами, має надаватися прогнозоване значення. Навпаки, моделювання щільності зазвичай розглядається як навчання без вчителя (unsupervised learning), оскільки достатньо взяти наявні дані без необхідності створювати пов’язану фундаментальну істину.

Ці три категорії не розрізняються: наприклад, класифікація може бути відтворена як регресія оцінки класу, а дискретне моделювання щільності послідовності - як ітерована класифікація. Крім того, вони не охоплюють усіх випадків. Хтось може захотіти передбачити складені величини, або кілька класів, або змоделювати щільність залежно від сигналу.

en

Від перекладача