पर्यवेक्षित शिक्षण

प्रत्येक प्रशिक्षण उदाहरण एल्गोरिदम को बताता है कि किसी इनपुट के लिए कौन सा आउटपुट वांछित है। एक हानि फ़ंक्शन भविष्यवाणी त्रुटियों को उस मात्रा में परिवर्तित करता है जिसे प्रशिक्षण प्रक्रिया अनुकूलित कर सकती है। हानि का चुनाव सीखने को आकार देता है; अंतिम वर्कफ़्लो को आंकने के लिए उपयोग की जाने वाली मीट्रिक भिन्न हो सकती है। लेबल माप, बाद के परिणामों या एनोटेशन से आ सकते हैं। प्रत्येक रिकॉर्ड किए गए उत्तर को सही मानने के बजाय असहमति और अस्पष्ट मामलों की जांच करें। यदि लेबल किसी पुरानी निर्णय प्रक्रिया को दर्शाता है, तो मॉडल उस प्रक्रिया की सीमाओं को पुन: उत्पन्न कर सकता है। यह मिलान करने के लिए डेटा को विभाजित करें कि मॉडल नए मामलों का सामना कैसे करेगा। जब बार-बार रिकॉर्ड एक ही विषय का वर्णन करते हैं तो यादृच्छिक पंक्ति विभाजन से जानकारी लीक हो सकती है। पूर्वानुमानों को आम तौर पर समय-सम्मानित मूल्यांकन की आवश्यकता होती है। सत्यापन और परीक्षण उदाहरणों पर लागू करने से पहले प्रीप्रोसेसिंग चरणों को केवल प्रशिक्षण विभाजन पर फ़िट करें। प्रशिक्षण के बाद, प्रासंगिक कक्षाओं और परिचालन स्थितियों के प्रदर्शन का निरीक्षण करें। वर्ग असंतुलन समग्र सटीकता को भ्रामक बना सकता है। तय करें कि अनिश्चित या अपरिचित इनपुट को कैसे संभाला जाना चाहिए, और लेबल को सही करने और व्यवस्थित गलतियों की समीक्षा करने के लिए एक मार्ग बनाए रखें।