Denetimli öğrenme

Denetlenen öğrenme ( öğrenme denetimli bir görevdir İngilizce) öğrenme makinesinin yerine, açıklamalı örneklerinden bir öngörü işlevini öğrenmek oluşan denetimsiz öğrenme . Regresyon problemleri ve sınıflandırma problemleri arasında bir ayrım yapılır . Dolayısıyla, nicel bir değişkenin tahmin problemleri regresyon problemi, nitel bir değişkenin tahmin problemleri ise sınıflandırma problemleri olarak kabul edilir.

Açıklamalı örnekler bir öğrenme temeli sağlar ve öğrenilen tahmin işlevi aynı zamanda bir "hipotez" veya "model" olarak da adlandırılabilir. Bu öğrenme tabanının daha geniş bir örneklem popülasyonunu temsil ettiğini ve denetimli öğrenme yöntemlerinin amacının iyi bir genelleme yapmak , yani eğitim setinde bulunmayan veriler hakkında doğru tahminler yapan bir işlevi öğrenmek olduğunu varsayıyoruz .

Matematiksel tanım

Bir eğitim veritabanı (veya eğitim seti ), sabit ve bilinmeyenler üzerine bir yasaya göre çizildiğini düşündüğümüz ve ile girdi-çıktı çiftleri kümesidir, örneğin x n tek tip bir yasayı izler ve y n = f (x n ) w + n burada w n a, ortalanmış gürültü . $(x_ {n}, y_ {n}) _ {{1 \ leq n \ leq N}}$ $X içinde x_ {n} \$ $Y'de y_ {n} \$ $X \ times Y$

Denetimli öğrenme yöntemi, bu öğrenme temelini g ile gösterilen ve yeni bir x girdisi ile bir çıktı g (x) 'i ilişkilendiren öngörü fonksiyonu, hipotez veya model olarak adlandırılan, gelişigüzel olarak adlandırılan bir f tahminini belirlemek için kullanır . Bu nedenle, denetimli bir öğrenme algoritmasının amacı, uzmanlar tarafından zaten açıklanmış olan veriler sayesinde bilinmeyen girdileri “öğrenebileceğini”, bu “makul” bir şekilde genellemektir. Öğrenilen tahmin fonksiyonunun genellemede iyi garantilere sahip olması gerektiğini söylüyoruz .

Denetimli makine öğrenimi yönteminde üç tür çözülebilir sorun vardır:

${\ displaystyle Y \ altkümesi \ mathbb {R}}$ : Tahmin etmeye çalıştığımız çıktı, sürekli bir gerçeklik kümesindeki bir değer olduğunda, bir gerileme probleminden söz ederiz . Tahmin işlevi daha sonra regresör olarak adlandırılır .
$Y = \ {1, \ ldots, I \}$ : çıktı değerleri kümesi tamamlandığında , her bir girdiye bir etiket atamak anlamına gelen bir sınıflandırma probleminden söz ederiz . Tahmin işlevi daha sonra sınıflandırıcı olarak adlandırılır .
Ne zaman a, yapısal veri seti , bir söz yapılandırılmış tahmini bir sorun , her bir giriş için karmaşık bir çıkış atama tutarındadır. Örneğin, biyoinformatikte, genler arasındaki etkileşim ağlarını tahmin etme sorunu, olası yapılandırılmış çıktı kümesinin, olası etkileşimleri modelleyen tüm grafiklerin kümesi olduğu bir yapılandırılmış tahmin sorunu olarak düşünülebilir. $Y$

Denetimli öğrenme yöntemleri

Başvurular

Ayrıca görün

İlgili Makaleler

Kaynakça

Antoine Cornuéjols, Laurent Miclet, Yves Kodratoff, Yapay Öğrenme: Kavramlar ve algoritmalar , Eyrolles,2002( ISBN 2-212-11020-0 ) [ basımların ayrıntıları ]
(fr) Tom M. Mitchell, Makine Öğrenimi ,1997[ basımların ayrıntıları ]
(en) Christopher M. Bishop, Örüntü Tanıma ve Makine Öğrenimi , Springer,2006( ISBN 0-387-31073-8 ) [ basımların ayrıntıları ]

Notlar ve referanslar

"sınıflandırma", İngilizce terim sınıflandırmasının doğru tercümesidir ; Fransız “sınıflandırması” daha çok İngilizce'deki kümelenmeye karşılık gelir . Örneğin bkz. Quebec BDL