L'apprendimento supervisionato è il tipo di apprendimento automatico in cui le macchine vengono addestrate utilizzando dati di addestramento ben 'etichettati' e, sulla base di tali dati, le macchine prevedono l'output. I dati etichettati indicano che alcuni dati di input sono già contrassegnati con l'output corretto.

Nell'apprendimento supervisionato, i dati di addestramento forniti alle macchine funzionano come un supervisore che insegna alle macchine a prevedere correttamente l'output. Applica lo stesso concetto che uno studente apprende sotto la supervisione dell'insegnante.

L'apprendimento supervisionato è un processo che fornisce dati di input e dati di output corretti al modello di machine learning. Lo scopo di un algoritmo di apprendimento supervisionato è quello di trova una funzione di mappatura per mappare la variabile di input (x) con la variabile di output (y) .

serpente pitone contro anaconda

Nel mondo reale, è possibile utilizzare l'apprendimento supervisionato Valutazione del rischio, classificazione delle immagini, rilevamento delle frodi, filtraggio dello spam , eccetera.

Come funziona l'apprendimento supervisionato?

Nell'apprendimento supervisionato, i modelli vengono addestrati utilizzando set di dati etichettati, in cui il modello apprende su ciascun tipo di dati. Una volta completato il processo di addestramento, il modello viene testato sulla base dei dati di test (un sottoinsieme del set di addestramento) e quindi prevede l'output.

Il funzionamento dell'apprendimento supervisionato può essere facilmente compreso dall'esempio e dal diagramma seguenti:

Supponiamo di avere un set di dati di diversi tipi di forme che include quadrato, rettangolo, triangolo e poligono. Ora il primo passo è addestrare il modello per ogni forma.

• Se la forma data ha quattro lati e tutti i lati sono uguali, verrà etichettata come a Piazza .
• Se la forma data ha tre lati, verrà etichettata come a triangolo .
• Se la forma data ha sei lati uguali verrà etichettata come esagono .

Ora, dopo l'addestramento, testiamo il nostro modello utilizzando il set di test e il compito del modello è identificare la forma.

La macchina è già addestrata su tutti i tipi di forme e, quando trova una nuova forma, la classifica sulla base di un numero di lati e prevede il risultato.

Passaggi coinvolti nell'apprendimento supervisionato:

• Innanzitutto determinare il tipo di set di dati di addestramento
• Raccogli/Raccogli i dati di addestramento etichettati.
• Dividere il set di dati di addestramento in training set di dati, set di dati di test e set di dati di convalida .
• Determinare le caratteristiche di input del set di dati di addestramento, che dovrebbe avere una conoscenza sufficiente affinché il modello possa prevedere con precisione l'output.
• Determinare l'algoritmo adatto per il modello, come la macchina vettoriale di supporto, l'albero decisionale, ecc.
• Esegui l'algoritmo sul set di dati di training. A volte abbiamo bisogno di set di validazione come parametri di controllo, che sono il sottoinsieme dei set di dati di training.
• Valutare l'accuratezza del modello fornendo il set di test. Se il modello prevede l'output corretto, significa che il nostro modello è accurato.

Tipi di algoritmi di machine learning supervisionati:

L’apprendimento supervisionato può essere ulteriormente suddiviso in due tipi di problemi:

sostituzione in Java

1. Regressione

Gli algoritmi di regressione vengono utilizzati se esiste una relazione tra la variabile di input e la variabile di output. Viene utilizzato per la previsione di variabili continue, come previsioni meteorologiche, tendenze di mercato, ecc. Di seguito sono riportati alcuni popolari algoritmi di regressione che rientrano nell'apprendimento supervisionato:

• Regressione lineare
• Alberi di regressione
• Regressione non lineare
• Regressione lineare bayesiana
• Regressione polinomiale

2. Classificazione

come convertire la stringa in int java

Gli algoritmi di classificazione vengono utilizzati quando la variabile di output è categoriale, il che significa che esistono due classi come Sì-No, Maschio-Femmina, Vero-falso, ecc.

Filtraggio anti-spam,

• Foresta casuale
• Alberi decisionali
• Regressione logistica
• Supporta macchine vettoriali

Nota: discuteremo questi algoritmi in dettaglio nei capitoli successivi.

Vantaggi dell’apprendimento supervisionato:

• Con l’aiuto dell’apprendimento supervisionato, il modello può prevedere il risultato sulla base delle esperienze precedenti.
• Nell'apprendimento supervisionato, possiamo avere un'idea esatta delle classi degli oggetti.
• Il modello di apprendimento supervisionato ci aiuta a risolvere vari problemi del mondo reale come rilevamento delle frodi, filtraggio dello spam , eccetera.

Svantaggi dell’apprendimento supervisionato:

• I modelli di apprendimento supervisionato non sono adatti per gestire compiti complessi.
• L'apprendimento supervisionato non può prevedere l'output corretto se i dati del test sono diversi dal set di dati di training.
• La formazione richiedeva molti tempi di calcolo.
• Nell'apprendimento supervisionato, abbiamo bisogno di una conoscenza sufficiente delle classi di oggetti.