СледваСледващо ръководство
Самоконтролирано обучение
Основи
РЪКОВОДСТВО по основи
Контролирано обучение
Контролираното обучение се вписва в модел, използващ примери, които съчетават входове с целеви резултати.
Чуйте това ръководствоAI-разказан · ~2 min
На тази страница2 минути четене
Преглед
Тя включва класификация, където целите са категории, и регресия, където целите са числени количества. Качеството и значението на целевите етикети са централни за резултата.
Основни изводи
- Дефинирайте етикетите, преди да ги съберете.
- Пазете свързаните записи от изтичане през разделянията за оценка.
- Измерете грешките, които имат значение за работния процес.
Дълбоко гмуркане
Всеки пример за обучение казва на алгоритъма какъв изход е желан за вход. Функция за загуба преобразува грешките при прогнозиране в количество, което процедурата за обучение може да оптимизира. Изборът на загуба оформя ученето; показателят, използван за оценка на крайния работен процес, може да е различен. Етикетите могат да идват от измервания, по-късни резултати или анотация. Проучете разногласията и двусмислените случаи, вместо да приемате, че всеки записан отговор е правилен. Ако етикетът улавя стар процес на вземане на решения, моделът може да възпроизведе ограниченията на този процес. Разделете данните, за да съответстват на начина, по който моделът ще срещне нови случаи. Случайното разделяне на редове може да изтече информация, когато повтарящи се записи описват една и съща тема. Прогнозите обикновено се нуждаят от оценка, зачитаща времето. Поставете стъпките за предварителна обработка само в обучителния дял, преди да ги приложите към валидиращи и тестови примери. След обучение проверете ефективността за съответните класове и работни условия. Дисбалансът на класовете може да направи цялостната точност подвеждаща. Решете как трябва да се обработват несигурни или непознати входни данни и запазете маршрут за коригиране на етикети и преглед на системни грешки.
04Работен пример
Оценете малък класификатор
В конструиран тест с 40 спешни съобщения класификаторът улавя 30 и пропуска 10. Той също така маркира 20 обикновени съобщения.
Извикването на спешни съобщения е 30/40 = 75%. Точността сред маркирани съобщения е 30/(30+20) = 60%.
Попитайте дали преглеждането на 50 маркирани съобщения за намиране на 30 спешни е полезно за капацитета и приоритетите на екипа.
Какво показва
Аритметиката описва хипотетично натоварване, а не отчетен бенчмарк за продукт.
Внедряване в реалния свят
Приблизително време за доставка от предишни завършени доставки.
Класифицирайте заявките за поддръжка, като използвате документирана схема за етикетиране.
Прилагайки го на практика
Защо има значение
- По-ясни решения. Помага ви да отделите ясните технически твърдения от маркетинговия език.
- Разходи и бюджет. Можете да задавате въпроси за по-добро внедряване, преди да харчите пари или време.
- Екип и работен процес. Екипи със споделено разбиране вземат по-добри решения за продукти, политики и обучение.
Внимавайте за
- Различните екипи могат да използват един и същи термин по различен начин, така че дефинирайте обхвата рано.
- Бенчмарковете могат да изглеждат силни, докато производителността в реалния свят е неравномерна.
- Пренебрегването на качеството на данните и плановете за оценка често създава крехки резултати.
Следващи стъпки
- Започнете с дефиниция на обикновен език за резултата, от който се нуждаете.
- Изберете един показател за успех и едно условие за неуспех преди тестване.
- Изпълнете малък пилотен проект с представителни данни, а не изпипан демонстрационен набор.
- Документирайте къде контролираното обучение помага и къде по-простите методи са по-добри.
Източници и допълнителна литература
- scikit-learnУчене под наблюдение
Продължете да изследвате
Безплатен бюлетин
Получавайте дневния AI бюлетин
Три проверени AI истории всяка делнична сутрин, написани на достъпен език. Безплатно завинаги, без реклами.
Един имейл всеки делничен ден. Отписване с едно кликване. Никога не продаваме и не споделяме вашия имейл адрес.
Тествайте себе си
Take the Supervised Learning quiz
Незабавна обратна връзка за всеки отговор и сертификат за споделяне с подлежащ на проверка идентификационен номер, след като преминете курс.
Подкрепете безплатното AI образование. AI Understanding е 501(c)(3) с нестопанска цел — без реклами, без платен достъп, никога. Направете дарение
Често задавани въпроси
Изисква ли контролираното обучение етикети, написани от хора?
Не. Етикетите могат да идват от измерени резултати или съществуващи записи, при условие че съответстват по подходящ начин на целевата задача.
Продължавай да учиш
Свързани ръководства
Още ръководства, избрани за тази тема