学ぶために
システムはプロセスを実行することでパフォーマンスを向上させることができます。これは学習です
教師あり学習
教師あり学習は、ラベル付きデータから予測モデルを学習することを指します。
ラベル付きデータは、入力と出力の間の対応する関係を示し、予測モデルは、特定の入力に対して対応する出力を生成します。教師あり学習の本質は、入力から出力へのマッピングの統計法則を学ぶことです。
教師あり学習の適用は、主に3つの側面:分類、ラベル付け、回帰
分類
- 教師あり学習は、分類子と呼ばれるデータから分類モデルまたは分類決定関数を学習し、分類子は分類と呼ばれる新しい入力の出力を予測します
- 可能な出力はクラスと呼ばれます
- 分類問題には、学習と分類の2つのプロセスが含まれます
吹き出し
- ラベリング問題は、分類問題の一般化であると考えることができます。しかし、ラベリング問題は、より複雑な構造予測問題の単純な形です。
- 分類問題では、出力変数Yは有限数の離散値を持ち、入力Xは離散または連続にすることができます。
- ラベリング問題の入力は観測シーケンスであり、出力はラベルシーケンスまたは状態シーケンスです。
- ラベル付け問題の目的はモデルを学習することであり、シーケンスを観察した後、ラベル付けされたシーケンスである予測が取得されます
- 可能なマーカーの数は限られていますが、組み合わせによって呼び出されるマーカーシーケンスの数は、シーケンスの長さに応じて指数関数的に増加します。
- ラベル付けの問題には、学習とラベル付けの2つのプロセスが含まれます
戻る
- 回帰は、入力変数Xと出力変数Yの間の関係を予測するために使用されます
- いわゆる回帰モデルは、入力と出力の間のマッピングの関数です。Y= F(X)