Command Palette
Search for a command to run...
Wiki
Machine Learning Glossary: Explore definitions and explanations of key AI and ML concepts
Schlupfvariablen sind Hilfsvariablen, die bei der Anwendung der Soft-Margin-Methode zur Klassifizierung hinzugefügt werden. Es wird eingeführt, um die Auswirkungen von Ausreißern auf die Klassifizierung zu lösen.
Der stochastische Gradientenabstieg (SGD) ist ein iterativer Lösungsansatz des Gradientenabstiegsalgorithmus.
Eine Ersatzfunktion ist eine Funktion, die verwendet wird, wenn die Zielfunktion nicht verwendet werden kann oder eine schlechte Leistung erbringt.
Die Verlustfunktion ist eine Metrik, die zum Messen und Vorhersagen der Qualität eines Modells verwendet wird. Es spiegelt die Lücke zwischen dem vom Modell vorhergesagten Wert und dem wahren Wert wider. Es ist der Kernbestandteil der empirischen Risikofunktion und auch eine Komponente der strukturellen Risikofunktion. Gängige Verlustfunktionen Logarithmische Verlustfunktion Quadratische Verlustfunktion Exponentielle Verlustfunktion Scharnierverlustfunktion
Bei der Merkmalsauswahl handelt es sich um den Prozess der Auswahl von Merkmalsteilmengen. Es wird normalerweise zum Erstellen von Modellen verwendet. Seine Vorteile sind folgende: Vereinfachung des Modells; Verkürzen Sie die Trainingszeit; Verbessern Sie die Vielseitigkeit und reduzieren Sie Überanpassung. Der Merkmalsauswahlalgorithmus kann als Kombination aus Suchtechnologie und Bewertungsindex betrachtet werden. Ersteres liefert Kandidaten für neue Feature-Teilmengen und Letzteres wird verwendet, um verschiedene Feature-Teilmengen auszuwählen.
Die Zielfunktion bezeichnet die Form des durch die Designvariablen ausgedrückten angestrebten Ziels und ist eine Funktion der Designvariablen.
Reinforcement Learning (RL) ist ein wichtiger Zweig des maschinellen Lernens und ein Produkt der Schnittstelle mehrerer Disziplinen und Bereiche. Sein Wesen besteht darin, das Entscheidungsproblem zu lösen, d. h. Entscheidungen automatisch und kontinuierlich zu treffen.
Bewertungsfunktionen sind die für das ausgewählte Modell verfügbaren „Bewertungstypen“. Beispielsweise der vorhergesagte Wert eines Ziels, die Wahrscheinlichkeit eines vorhergesagten Werts oder die Wahrscheinlichkeit eines ausgewählten Zielwerts.
Die Singulärwertzerlegung (SVD) ist eine wichtige Methode zur Matrixzerlegung. Die Grundlage der Eigenvektorzerlegung symmetrischer Arrays ist die Spektralanalyse, und die Singulärwertzerlegung ist die Verallgemeinerung der Theorie der Spektralanalyse auf beliebige Matrizen.
Soft Voting wird auch als gewichtete Durchschnittswahrscheinlichkeitsabstimmung bezeichnet. Es verwendet die Ausgabeklassenwahrscheinlichkeit für die Klassifizierungsabstimmungsmethode. Durch Eingabe von Gewichten wird der gewichtete Durchschnitt der Klassenwahrscheinlichkeit jeder Klasse ermittelt und die Klasse mit dem höheren Wert ausgewählt.
Spektrales Clustering (SC) ist eine Clustering-Methode, die auf der Graphentheorie basiert. Dabei wird ein gewichteter ungerichteter Graph in zwei oder mehr optimale Teilgraphen unterteilt, wobei die Teilgraphen möglichst ähnlich und die Abstände zwischen den Teilgraphen möglichst groß gemacht werden, um den gemeinsamen Clusterzweck zu erreichen.
Der harte Rand ist die Grundlage für die Auswahl der Segmentierungshyperebene in der Support Vector Machine. Es bezieht sich auf die Situation, in der die Klassifizierung völlig genau ist und keine Verlustfunktion vorhanden ist, dh der Verlustwert 0 ist. Es ist nur erforderlich, die Ebene genau in der Mitte zweier heterogener Klassen zu finden. Das Gegenteil einer harten Marge ist eine weiche Marge. Soft Margin bedeutet, dass ein gewisser Fehler bei der Probenklassifizierung zugelassen wird, wobei die Optimierungsfunktion aus zwei Teilen besteht, […]
Glättung ist eine häufig verwendete Methode der Datenverarbeitung.
Die Segmentierungsvariable ist die Referenzvariable, die bei der räumlichen Segmentierung ausgewählt wird. Es handelt sich um einen Variablentyp, der zur Segmentierung bei Klassifizierungsproblemen verwendet wird, um eine optimale Klassifizierung zu erreichen.
Support Vector Machine (SVM) ist eine überwachte Lernmethode zur Verarbeitung von Daten in Klassifizierungs- und Regressionsanalysen.
Soft Margin Maximization ist eine Optimierungsmethode, die Soft Margins verwendet, um die optimale Lösung zu finden.
Transferlernen ist eine Methode, bei der vorhandenes Wissen genutzt wird, um neues Wissen zu erlernen.
Künstliche Intelligenz, auch als maschinelle Intelligenz bekannt, bezieht sich auf die Intelligenz von von Menschenhand geschaffenen Maschinen. Normalerweise bezieht sich künstliche Intelligenz auf die Technologie, menschliche Intelligenz durch gewöhnliche Computerprogramme darzustellen. Forschungsthemen Die aktuellen Forschungsrichtungen im Bereich der künstlichen Intelligenz sind in mehrere Unterbereiche unterteilt. Forscher hoffen, dass künstliche Intelligenzsysteme über bestimmte spezifische Fähigkeiten verfügen sollten, […]
Oversampling bezieht sich auf die Erhöhung der Anzahl von Samples einer bestimmten Klasse im Trainingssatz, um das Klassenungleichgewicht zu verringern.
Der durchschnittliche Gradient bezieht sich auf den Durchschnittswert der Graustufenänderungsrate. Es wird verwendet, um die Bildschärfe anzuzeigen. Dies liegt an den deutlichen Unterschieden in den Graustufen in der Nähe der Ränder oder Schatten des Bildes. Es spiegelt die Änderungsrate des Kontrasts winziger Details im Bild wider, d. h. die Änderungsrate der Dichte in der mehrdimensionalen Richtung des Bildes, und stellt die relative Klarheit des Bildes dar. Der mittlere Gradient ist das Bild […]
Bei der latenten semantischen Analyse geht es hauptsächlich um die Beziehungen hinter Wörtern und nicht um die Grundlage von Wörterbuchdefinitionen. Diese Beziehung basiert auf der tatsächlichen Verwendungsumgebung der Wörter und dient als grundlegende Referenz. Diese Idee stammt von Psycholinguisten, die glaubten, dass es einen gemeinsamen Mechanismus unter den Hunderten von Sprachen der Welt gibt, und zu dem Schluss kamen, dass jeder, der eine bestimmte Sprache spricht […]
Das globale Minimum bezieht sich auf den kleinsten Punkt aller Punkte. Der relative Begriff ist das lokale Minimum. Wenn die Fehlerfunktion nur ein lokales Minimum hat, dann ist das lokale Minimum zu diesem Zeitpunkt das globale Minimum. Wenn die Fehlerfunktion mehrere lokale Minima aufweist, kann nicht garantiert werden, dass die gefundene Lösung das globale Minimum ist. Methoden zum Finden des globalen Minimums Finden Sie mehrere lokale Minima und nehmen Sie das Minimum unter ihnen […]
Eine Aktivierungsfunktion ist eine Funktion, die auf einem Neuron in einem neuronalen Netzwerk ausgeführt wird und für die Zuordnung der Eingabe des Neurons zu seiner Ausgabe verantwortlich ist.
Globale Optimierung ist ein Zweig der angewandten Mathematik und numerischen Analyse, der versucht, das Minimum oder Maximum einer Funktion über eine gegebene Menge zu finden. Es wird oft als Minimierungsproblem beschrieben, da die Maximierung realwertiger Funktionen auf die gleiche Weise wie die Minimierung abgeleitet werden kann. Der Unterschied zwischen globaler und lokaler Optimierung besteht darin, dass sich erstere auf das Finden des Extremwerts einer gegebenen Menge konzentriert, […]
Schlupfvariablen sind Hilfsvariablen, die bei der Anwendung der Soft-Margin-Methode zur Klassifizierung hinzugefügt werden. Es wird eingeführt, um die Auswirkungen von Ausreißern auf die Klassifizierung zu lösen.
Der stochastische Gradientenabstieg (SGD) ist ein iterativer Lösungsansatz des Gradientenabstiegsalgorithmus.
Eine Ersatzfunktion ist eine Funktion, die verwendet wird, wenn die Zielfunktion nicht verwendet werden kann oder eine schlechte Leistung erbringt.
Die Verlustfunktion ist eine Metrik, die zum Messen und Vorhersagen der Qualität eines Modells verwendet wird. Es spiegelt die Lücke zwischen dem vom Modell vorhergesagten Wert und dem wahren Wert wider. Es ist der Kernbestandteil der empirischen Risikofunktion und auch eine Komponente der strukturellen Risikofunktion. Gängige Verlustfunktionen Logarithmische Verlustfunktion Quadratische Verlustfunktion Exponentielle Verlustfunktion Scharnierverlustfunktion
Bei der Merkmalsauswahl handelt es sich um den Prozess der Auswahl von Merkmalsteilmengen. Es wird normalerweise zum Erstellen von Modellen verwendet. Seine Vorteile sind folgende: Vereinfachung des Modells; Verkürzen Sie die Trainingszeit; Verbessern Sie die Vielseitigkeit und reduzieren Sie Überanpassung. Der Merkmalsauswahlalgorithmus kann als Kombination aus Suchtechnologie und Bewertungsindex betrachtet werden. Ersteres liefert Kandidaten für neue Feature-Teilmengen und Letzteres wird verwendet, um verschiedene Feature-Teilmengen auszuwählen.
Die Zielfunktion bezeichnet die Form des durch die Designvariablen ausgedrückten angestrebten Ziels und ist eine Funktion der Designvariablen.
Reinforcement Learning (RL) ist ein wichtiger Zweig des maschinellen Lernens und ein Produkt der Schnittstelle mehrerer Disziplinen und Bereiche. Sein Wesen besteht darin, das Entscheidungsproblem zu lösen, d. h. Entscheidungen automatisch und kontinuierlich zu treffen.
Bewertungsfunktionen sind die für das ausgewählte Modell verfügbaren „Bewertungstypen“. Beispielsweise der vorhergesagte Wert eines Ziels, die Wahrscheinlichkeit eines vorhergesagten Werts oder die Wahrscheinlichkeit eines ausgewählten Zielwerts.
Die Singulärwertzerlegung (SVD) ist eine wichtige Methode zur Matrixzerlegung. Die Grundlage der Eigenvektorzerlegung symmetrischer Arrays ist die Spektralanalyse, und die Singulärwertzerlegung ist die Verallgemeinerung der Theorie der Spektralanalyse auf beliebige Matrizen.
Soft Voting wird auch als gewichtete Durchschnittswahrscheinlichkeitsabstimmung bezeichnet. Es verwendet die Ausgabeklassenwahrscheinlichkeit für die Klassifizierungsabstimmungsmethode. Durch Eingabe von Gewichten wird der gewichtete Durchschnitt der Klassenwahrscheinlichkeit jeder Klasse ermittelt und die Klasse mit dem höheren Wert ausgewählt.
Spektrales Clustering (SC) ist eine Clustering-Methode, die auf der Graphentheorie basiert. Dabei wird ein gewichteter ungerichteter Graph in zwei oder mehr optimale Teilgraphen unterteilt, wobei die Teilgraphen möglichst ähnlich und die Abstände zwischen den Teilgraphen möglichst groß gemacht werden, um den gemeinsamen Clusterzweck zu erreichen.
Der harte Rand ist die Grundlage für die Auswahl der Segmentierungshyperebene in der Support Vector Machine. Es bezieht sich auf die Situation, in der die Klassifizierung völlig genau ist und keine Verlustfunktion vorhanden ist, dh der Verlustwert 0 ist. Es ist nur erforderlich, die Ebene genau in der Mitte zweier heterogener Klassen zu finden. Das Gegenteil einer harten Marge ist eine weiche Marge. Soft Margin bedeutet, dass ein gewisser Fehler bei der Probenklassifizierung zugelassen wird, wobei die Optimierungsfunktion aus zwei Teilen besteht, […]
Glättung ist eine häufig verwendete Methode der Datenverarbeitung.
Die Segmentierungsvariable ist die Referenzvariable, die bei der räumlichen Segmentierung ausgewählt wird. Es handelt sich um einen Variablentyp, der zur Segmentierung bei Klassifizierungsproblemen verwendet wird, um eine optimale Klassifizierung zu erreichen.
Support Vector Machine (SVM) ist eine überwachte Lernmethode zur Verarbeitung von Daten in Klassifizierungs- und Regressionsanalysen.
Soft Margin Maximization ist eine Optimierungsmethode, die Soft Margins verwendet, um die optimale Lösung zu finden.
Transferlernen ist eine Methode, bei der vorhandenes Wissen genutzt wird, um neues Wissen zu erlernen.
Künstliche Intelligenz, auch als maschinelle Intelligenz bekannt, bezieht sich auf die Intelligenz von von Menschenhand geschaffenen Maschinen. Normalerweise bezieht sich künstliche Intelligenz auf die Technologie, menschliche Intelligenz durch gewöhnliche Computerprogramme darzustellen. Forschungsthemen Die aktuellen Forschungsrichtungen im Bereich der künstlichen Intelligenz sind in mehrere Unterbereiche unterteilt. Forscher hoffen, dass künstliche Intelligenzsysteme über bestimmte spezifische Fähigkeiten verfügen sollten, […]
Oversampling bezieht sich auf die Erhöhung der Anzahl von Samples einer bestimmten Klasse im Trainingssatz, um das Klassenungleichgewicht zu verringern.
Der durchschnittliche Gradient bezieht sich auf den Durchschnittswert der Graustufenänderungsrate. Es wird verwendet, um die Bildschärfe anzuzeigen. Dies liegt an den deutlichen Unterschieden in den Graustufen in der Nähe der Ränder oder Schatten des Bildes. Es spiegelt die Änderungsrate des Kontrasts winziger Details im Bild wider, d. h. die Änderungsrate der Dichte in der mehrdimensionalen Richtung des Bildes, und stellt die relative Klarheit des Bildes dar. Der mittlere Gradient ist das Bild […]
Bei der latenten semantischen Analyse geht es hauptsächlich um die Beziehungen hinter Wörtern und nicht um die Grundlage von Wörterbuchdefinitionen. Diese Beziehung basiert auf der tatsächlichen Verwendungsumgebung der Wörter und dient als grundlegende Referenz. Diese Idee stammt von Psycholinguisten, die glaubten, dass es einen gemeinsamen Mechanismus unter den Hunderten von Sprachen der Welt gibt, und zu dem Schluss kamen, dass jeder, der eine bestimmte Sprache spricht […]
Das globale Minimum bezieht sich auf den kleinsten Punkt aller Punkte. Der relative Begriff ist das lokale Minimum. Wenn die Fehlerfunktion nur ein lokales Minimum hat, dann ist das lokale Minimum zu diesem Zeitpunkt das globale Minimum. Wenn die Fehlerfunktion mehrere lokale Minima aufweist, kann nicht garantiert werden, dass die gefundene Lösung das globale Minimum ist. Methoden zum Finden des globalen Minimums Finden Sie mehrere lokale Minima und nehmen Sie das Minimum unter ihnen […]
Eine Aktivierungsfunktion ist eine Funktion, die auf einem Neuron in einem neuronalen Netzwerk ausgeführt wird und für die Zuordnung der Eingabe des Neurons zu seiner Ausgabe verantwortlich ist.
Globale Optimierung ist ein Zweig der angewandten Mathematik und numerischen Analyse, der versucht, das Minimum oder Maximum einer Funktion über eine gegebene Menge zu finden. Es wird oft als Minimierungsproblem beschrieben, da die Maximierung realwertiger Funktionen auf die gleiche Weise wie die Minimierung abgeleitet werden kann. Der Unterschied zwischen globaler und lokaler Optimierung besteht darin, dass sich erstere auf das Finden des Extremwerts einer gegebenen Menge konzentriert, […]