Überwachtes Lernen
Überwachtes LernenEs handelt sich um eine Methode des maschinellen Lernens, bei der das Netzwerk anhand von Beispielen trainiert wird, deren Antworten bekannt sind und bei denen eine Beziehung zwischen der Ausgabe und der Eingabe besteht.
Muster können normalerweise auf der Grundlage von Trainingsdaten erlernt oder erstellt und zum Ableiten neuer Instanzen verwendet werden, wobei die Trainingsdaten aus Eingaben und erwarteten Ausgaben bestehen. Die Ausgabe der Funktion kann ein kontinuierlicher Wert oder eine vorhergesagte Klassifizierung sein.
Klassifizierung des überwachten Lernens
Überwachtes Lernen wird häufig bei Klassifizierungs- und Regressionsproblemen eingesetzt. Der Unterschied zwischen Regressions- und Klassifizierungsalgorithmen liegt in der Art der Ausgabevariablen, wobei die Regression eine quantitative Ausgabe oder eine kontinuierliche Variablenvorhersage angibt; Die Klassifizierung gibt den Ausgabetyp oder die Vorhersage diskreter Variablen an.
Klassifizierung von Methoden des maschinellen Lernens
Im Bereich des maschinellen Lernens gibt es drei Hauptansätze:
- Überwachtes Lernen: Training mit Beispielen bekannter Antworten;
- Unüberwachtes Lernen: direktes Modellieren des Eingabedatensatzes, z. B. Clustering;
- Halbüberwachtes Lernen: Nutzen Sie umfassend gekennzeichnete und nicht gekennzeichnete Daten, um geeignete Funktionen zu generieren.
Häufig verwendetes überwachtes Lernen
- K-Nearest-Neighbor-Algorithmus
- Entscheidungsbaum
- Naive Bayes
- Logistische Regression
- Rückwärtsausbreitungs-Neuronales Netzwerk