Глоссарий машинного обучения: основы машинного обучения

На этой странице содержится глоссарий терминов по основам машинного обучения. Чтобы просмотреть все термины глоссария, нажмите здесь .

А

точность

#основы

Количество правильных прогнозов классификации, разделенное на общее количество прогнозов. То есть:

$$\text{Accuracy} = \frac{\text{correct predictions}} {\text{correct predictions + incorrect predictions }}$$

Например, модель, которая сделала 40 правильных прогнозов и 10 неправильных прогнозов, будет иметь точность:

$$\text{Accuracy} = \frac{\text{40}} {\text{40 + 10}} = \text{80%}$$

Бинарная классификация дает конкретные названия различным категориям правильных и неправильных прогнозов . Итак, формула точности бинарной классификации выглядит следующим образом:

$$\text{Accuracy} = \frac{\text{TP} + \text{TN}} {\text{TP} + \text{TN} + \text{FP} + \text{FN}}$$

где:

• TP — количество истинных положительных результатов (правильных прогнозов).
• TN — количество истинных негативов (правильных прогнозов).
• FP — количество ложных срабатываний (неверных прогнозов).
• FN — количество ложноотрицательных результатов (неверных прогнозов).

Сравните и сопоставьте точность с точностью и отзывом .

Нажмите на значок, чтобы просмотреть дополнительные примечания.

Хотя точность является ценным показателем в некоторых ситуациях, в других она вводит в заблуждение. Примечательно, что точность обычно является плохим показателем для оценки моделей классификации, которые обрабатывают несбалансированные по классам наборы данных .

Например, предположим, что в каком-то субтропическом городе снег выпадает только 25 дней в столетии. Поскольку количество дней без снега (отрицательный класс) значительно превышает количество дней со снегом (положительный класс), набор данных о снеге для этого города несбалансирован по классам. Представьте себе модель бинарной классификации , которая должна прогнозировать либо снег, либо его отсутствие каждый день, но просто каждый день прогнозирует «нет снега». Эта модель очень точна, но не имеет предсказательной силы. В следующей таблице суммированы результаты предсказаний за столетие:

Категория	Число
ТП	0
ТН	36500
ФП	25
ФН	0

Таким образом, точность этой модели составляет:

accuracy = (TP + TN) / (TP + TN + FP + FN)
accuracy = (0 + 36500) / (0 + 36500 + 25 + 0) = 0.9993 = 99.93%

Хотя точность 99,93% кажется весьма впечатляющим процентом, на самом деле модель не обладает предсказательной силой.

Точность и полнота обычно являются более полезными показателями, чем точность, для оценки моделей, обученных на наборах данных с несбалансированным классом.

---

функция активации

#основы

Функция, которая позволяет нейронным сетям изучать нелинейные (сложные) связи между объектами и меткой.

Популярные функции активации включают в себя:

• РеЛУ
• сигмовидная

Графики функций активации никогда не представляют собой одиночные прямые линии. Например, график функции активации ReLU состоит из двух прямых:

График сигмовидной функции активации выглядит следующим образом:

Нажмите на значок, чтобы увидеть пример.

В нейронной сети функции активации манипулируют взвешенной суммой всех входных данных нейрона . Чтобы вычислить взвешенную сумму, нейрон складывает произведения соответствующих значений и весов. Например, предположим, что соответствующие входные данные для нейрона состоят из следующего:

входное значение	входной вес
2	-1,3
-1	0,6
3	0,4

Таким образом, взвешенная сумма равна:

weighted sum = (2)(-1.3) + (-1)(0.6) + (3)(0.4) = -2.0

Предположим, что разработчик этой нейронной сети выбирает сигмовидную функцию в качестве функции активации. В этом случае нейрон вычисляет сигмовидную величину -2,0, что составляет примерно 0,12. Следовательно, нейрон передает 0,12 (а не -2,0) на следующий уровень нейронной сети. Следующий рисунок иллюстрирует соответствующую часть процесса:

---

искусственный интеллект

#основы

Нечеловеческая программа или модель , способная решать сложные задачи. Например, программа или модель, которая переводит текст, или программа или модель, которая идентифицирует заболевания по радиологическим изображениям, обладают искусственным интеллектом.

Формально машинное обучение — это подобласть искусственного интеллекта. Однако в последние годы некоторые организации начали использовать термины «искусственный интеллект» и «машинное обучение» как синонимы.

AUC (Площадь под кривой ROC)

#основы

Число от 0,0 до 1,0, обозначающее способность модели бинарной классификации отделять положительные классы от отрицательных классов . Чем ближе AUC к 1,0, тем лучше способность модели отделять классы друг от друга.

Например, на следующем рисунке показана модель классификатора, которая идеально отделяет положительные классы (зеленые овалы) от отрицательных классов (фиолетовые прямоугольники). Эта нереально идеальная модель имеет AUC 1,0:

И наоборот, на следующем рисунке показаны результаты для модели классификатора, которая генерировала случайные результаты. Эта модель имеет AUC 0,5:

Да, предыдущая модель имеет AUC 0,5, а не 0,0.

Большинство моделей находятся где-то между двумя крайностями. Например, следующая модель несколько отделяет положительные значения от отрицательных и поэтому имеет AUC где-то между 0,5 и 1,0:

AUC игнорирует любые значения, установленные вами для порога классификации . Вместо этого AUC учитывает все возможные пороги классификации.

Щелкните значок, чтобы узнать о взаимосвязи между кривыми AUC и ROC.

AUC представляет собой площадь под кривой ROC . Например, кривая ROC для модели, которая идеально отделяет позитивы от негативов, выглядит следующим образом:

AUC — это площадь серой области на предыдущем рисунке. В этом необычном случае площадь представляет собой просто длину серой области (1,0), умноженную на ширину серой области (1,0). Таким образом, произведение 1,0 и 1,0 дает AUC ровно 1,0, что является максимально возможным показателем AUC.

И наоборот, кривая ROC для классификатора, который вообще не может разделять классы, выглядит следующим образом. Площадь этой серой области равна 0,5.

Более типичная кривая ROC выглядит примерно так:

Было бы трудоемко вычислить площадь под этой кривой вручную, поэтому большинство значений AUC обычно вычисляет программа.

---

Щелкните значок, чтобы получить более формальное определение AUC.

AUC — это вероятность того, что классификатор будет более уверен в том, что случайно выбранный положительный пример действительно является положительным, чем в том, что случайно выбранный отрицательный пример является положительным.

---

Б

обратное распространение ошибки

#основы

Алгоритм, реализующий градиентный спуск в нейронных сетях .

Обучение нейронной сети включает в себя множество итераций следующего двухпроходного цикла:

1. Во время прямого прохода система обрабатывает пакет примеров для получения прогнозов. Система сравнивает каждый прогноз с каждым значением метки . Разница между прогнозом и значением метки — это потеря для этого примера. Система суммирует потери для всех примеров, чтобы вычислить общие потери для текущей партии.
2. Во время обратного прохода (обратного распространения ошибки) система уменьшает потери, корректируя веса всех нейронов во всех скрытых слоях .

Нейронные сети часто содержат множество нейронов во многих скрытых слоях. Каждый из этих нейронов по-разному вносит свой вклад в общую потерю. Обратное распространение ошибки определяет, следует ли увеличивать или уменьшать веса, применяемые к конкретным нейронам.

Скорость обучения — это множитель, который контролирует степень увеличения или уменьшения каждого веса при каждом обратном проходе. Большая скорость обучения будет увеличивать или уменьшать каждый вес больше, чем низкая скорость обучения.

С точки зрения исчисления, обратное распространение ошибки реализует правило цепочки . из исчисления. То есть обратное распространение ошибки вычисляет частную производную ошибки по каждому параметру.

Несколько лет назад специалистам по машинному обучению приходилось писать код для реализации обратного распространения ошибки. Современные API машинного обучения, такие как TensorFlow, теперь реализуют обратное распространение ошибки. Уф!

партия

#основы

Набор примеров , используемых в одной обучающей итерации . Размер партии определяет количество примеров в партии.

См. «Эпоха» для объяснения того, как партия связана с эпохой.

размер партии

#основы

Количество примеров в пакете . Например, если размер пакета равен 100, модель обрабатывает 100 примеров за итерацию .

Ниже приведены популярные стратегии размера партии:

• Стохастический градиентный спуск (SGD) , в котором размер пакета равен 1.
• Полный пакет, в котором размер пакета — это количество примеров во всем обучающем наборе . Например, если обучающий набор содержит миллион примеров, то размер пакета будет составлять миллион примеров. Полная партия обычно является неэффективной стратегией.
• Мини-пакет , размер которого обычно составляет от 10 до 1000. Мини-пакет обычно является наиболее эффективной стратегией.

предвзятость (этика/справедливость)

#справедливость

#основы

1. Стереотипы, предрассудки или фаворитизм в отношении одних вещей, людей или групп по сравнению с другими. Эти предубеждения могут повлиять на сбор и интерпретацию данных, дизайн системы и то, как пользователи взаимодействуют с системой. К формам этого типа предвзятости относятся:

• предвзятость автоматизации
• Подтверждение смещения
• предвзятость экспериментатора
• предвзятость групповой атрибуции
• неявная предвзятость
• внутригрупповая предвзятость
• предвзятость в отношении однородности чужой группы

2. Систематическая ошибка, вызванная процедурой выборки или отчетности. К формам этого типа предвзятости относятся:

• смещение охвата
• предвзятость в связи с отсутствием ответов
• предвзятость участия
• предвзятость в отчетности
• смещение выборки
• критерий отбора

Не путать с термином «предвзятость» в моделях машинного обучения или «предвзятость прогнозирования» .

смещение (математика) или термин предвзятости

#основы

Перехват или смещение от начала координат. Смещение — это параметр в моделях машинного обучения, который обозначается одним из следующих символов:

• б
• ш ₀

Например, смещение — это буква b в следующей формуле:

$$y' = b + w_1x_1 + w_2x_2 + … w_nx_n$$

В простой двумерной линии смещение означает просто «пересечение оси Y». Например, смещение линии на следующем рисунке равно 2.

Смещение существует, потому что не все модели начинаются с начала координат (0,0). Например, предположим, что вход в парк развлечений стоит 2 евро и дополнительно 0,5 евро за каждый час пребывания клиента. Следовательно, модель, отображающая общую стоимость, имеет смещение 2, поскольку минимальная стоимость составляет 2 евро.

Предвзятость не следует путать с предвзятостью в вопросах этики и справедливости или предвзятостью прогнозирования .

бинарная классификация

#основы

Тип задачи классификации , которая прогнозирует один из двух взаимоисключающих классов:

• позитивный класс
• отрицательный класс

Например, каждая из следующих двух моделей машинного обучения выполняет двоичную классификацию:

• Модель, определяющая, являются ли сообщения электронной почты спамом (положительный класс) или нет (негативный класс).
• Модель, которая оценивает медицинские симптомы, чтобы определить, есть ли у человека определенное заболевание (положительный класс) или нет этого заболевания (негативный класс).

Сравните с многоклассовой классификацией .

См. также логистическую регрессию и порог классификации .

группирование

#основы

Преобразование одного объекта в несколько двоичных объектов, называемых сегментами или контейнерами , обычно на основе диапазона значений. Вырезанный объект обычно является непрерывным объектом .

Например, вместо того, чтобы представлять температуру как один непрерывный признак с плавающей запятой, вы можете разбить диапазоны температур на отдельные сегменты, например:

• <= 10 градусов по Цельсию будет «холодным» ведром.
• 11–24 градуса по Цельсию будет «умеренным» ведром.
• >= 25 градусов по Цельсию будет «теплым» ведром.

Модель будет обрабатывать каждое значение в одном и том же сегменте одинаково. Например, значения 13 и 22 оба относятся к сегменту умеренного климата, поэтому модель обрабатывает эти два значения одинаково.

Нажмите на значок, чтобы просмотреть дополнительные примечания.

Если вы представляете температуру как непрерывный признак, то модель рассматривает температуру как одиночный признак. Если вы представляете температуру в виде трех ведер, то модель рассматривает каждое ведро как отдельный признак. То есть модель может изучить отдельные связи каждого сегмента с меткой . Например, модель линейной регрессии может определять отдельные веса для каждого сегмента.

Увеличение количества сегментов усложняет вашу модель за счет увеличения количества связей, которые должна изучить ваша модель. Например, холодные, умеренные и теплые ведра — это, по сути, три отдельные функции, на которых ваша модель может тренироваться. Если вы решите добавить еще два сегмента — например, замораживание и горячее — вашей модели теперь придется обучаться пяти отдельным функциям.

Как узнать, сколько сегментов нужно создать или какими должны быть диапазоны для каждого сегмента? Ответы обычно требуют изрядного количества экспериментов.

---

С

категориальные данные

#основы

Функции , имеющие определенный набор возможных значений. Например, рассмотрим категориальную функцию под названием traffic-light-state , которая может иметь только одно из следующих трех возможных значений:

• red
• yellow
• green

Представляя traffic-light-state как категориальную характеристику, модель может изучить различное влияние red , green и yellow на поведение водителя.

Категориальные признаки иногда называют дискретными признаками .

Сравните с числовыми данными .

сорт

#основы

Категория, к которой может принадлежать метка . Например:

• В модели двоичной классификации , которая обнаруживает спам, двумя классами могут быть спам и не спам .
• В многоклассовой модели классификации , которая идентифицирует породы собак, классами могут быть пудель , бигль , мопс и так далее.

Модель классификации предсказывает класс. Напротив, регрессионная модель предсказывает число, а не класс.

модель классификации

#основы

Модель , предсказание которой является классом . Например, ниже приведены все модели классификации:

• Модель, которая предсказывает язык входного предложения (французский? испанский? итальянский?).
• Модель, предсказывающая породы деревьев (клен? дуб? баобаб?).
• Модель, которая прогнозирует положительный или отрицательный класс конкретного заболевания.

Напротив, регрессионные модели предсказывают числа, а не классы.

Два распространенных типа классификационных моделей:

• бинарная классификация
• многоклассовая классификация

порог классификации

#основы

В двоичной классификации - число от 0 до 1, которое преобразует необработанные выходные данные модели логистической регрессии в прогноз либо положительного , либо отрицательного класса . Обратите внимание, что порог классификации — это значение, которое выбирает человек, а не значение, выбранное при обучении модели.

Модель логистической регрессии выводит необработанное значение от 0 до 1. Затем:

• Если это необработанное значение превышает порог классификации, то прогнозируется положительный класс.
• Если это необработанное значение меньше порога классификации, то прогнозируется отрицательный класс.

Например, предположим, что порог классификации равен 0,8. Если исходное значение равно 0,9, модель прогнозирует положительный класс. Если исходное значение равно 0,7, то модель прогнозирует отрицательный класс.

Выбор порога классификации сильно влияет на количество ложноположительных и ложноотрицательных результатов .

Нажмите на значок, чтобы просмотреть дополнительные примечания.

По мере развития моделей или наборов данных инженеры иногда также меняют порог классификации. Когда порог классификации изменяется, положительные прогнозы классов могут внезапно стать отрицательными классами и наоборот.

Например, рассмотрим модель прогнозирования заболеваний бинарной классификации. Предположим, что когда система работает в первый год:

• Исходное значение для конкретного пациента составляет 0,95.
• Порог классификации составляет 0,94.

Поэтому система диагностирует положительный класс. (Пациент вздыхает: «О нет! Я болен!»)

Год спустя, возможно, значения теперь выглядят следующим образом:

• Исходное значение для того же пациента остается на уровне 0,95.
• Порог классификации изменится на 0,97.

Таким образом, система теперь переклассифицирует этого пациента в отрицательный класс. («Счастливого дня! Я не болен».) Тот же пациент. Другой диагноз.

---

несбалансированный по классам набор данных

#основы

Набор данных для задачи классификации, в которой общее количество меток каждого класса значительно различается. Например, рассмотрим набор данных двоичной классификации, две метки которого разделены следующим образом:

• 1 000 000 негативных ярлыков
• 10 положительных ярлыков

Соотношение отрицательных и положительных меток составляет 100 000 к 1, поэтому это набор данных с несбалансированным классом.

Напротив, следующий набор данных не является несбалансированным по классам, поскольку соотношение отрицательных меток к положительным меткам относительно близко к 1:

• 517 отрицательных ярлыков
• 483 положительных метки

Многоклассовые наборы данных также могут быть несбалансированными по классам. Например, следующий набор данных многоклассовой классификации также несбалансирован по классам, поскольку одна метка содержит гораздо больше примеров, чем две другие:

• 1 000 000 этикеток класса «зеленый»
• 200 этикеток класса «фиолетовый».
• 350 этикеток класса «оранжевый».

См. также энтропию , класс большинства и класс меньшинства .

вырезка

#основы

Техника обработки выбросов путем выполнения одного или обоих следующих действий:

• Уменьшение значений функций , превышающих максимальный порог, до этого максимального порога.
• Увеличение значений функций, которые меньше минимального порога, до этого минимального порога.

Например, предположим, что <0,5% значений определенного признака выходят за пределы диапазона 40–60. В этом случае вы можете сделать следующее:

• Обрежьте все значения выше 60 (максимальный порог), чтобы они составляли ровно 60.
• Обрежьте все значения ниже 40 (минимальный порог), чтобы они составляли ровно 40.

Выбросы могут повредить модели, иногда вызывая переполнение весов во время обучения. Некоторые выбросы также могут существенно испортить такие показатели, как точность . Обрезка — распространенный метод ограничения ущерба.

Отсечение градиента приводит к тому, что значения градиента находятся в пределах заданного диапазона во время обучения.

матрица путаницы

#основы

Таблица NxN, в которой суммируется количество правильных и неправильных прогнозов, сделанных моделью классификации . Например, рассмотрим следующую матрицу путаницы для модели двоичной классификации :

	Опухоль (прогнозируемая)	Неопухолевый (прогнозируемый)
Опухоль (основная правда)	18 (ТП)	1 (ФН)
Не опухоль (основная правда)	6 (ФП)	452 (Теннесси)

Предыдущая матрица путаницы показывает следующее:

• Из 19 прогнозов, в которых основной истиной была опухоль, модель правильно классифицировала 18 и неправильно классифицировала 1.
• Из 458 прогнозов, в которых основной истиной было отсутствие опухоли, модель правильно классифицировала 452 и неправильно классифицировала 6.

Матрица путаницы для задачи классификации нескольких классов может помочь вам выявить закономерности ошибок. Например, рассмотрим следующую матрицу путаницы для трехклассовой многоклассовой модели классификации, которая классифицирует три разных типа радужной оболочки (Вирджиника, Версиколор и Сетоза). Когда основной истиной была Вирджиния, матрица путаницы показывает, что модель с гораздо большей вероятностью ошибочно предсказывала Версиколор, чем Сетозу:

	Сетоза (прогноз)	Разноцветный (предсказанный)	Вирджиния (прогнозируется)
Сетоза (основная правда)	88	12	0
Версиколор (основная правда)	6	141	7
Вирджиния (основная правда)	2	27	109

Еще один пример: матрица путаницы может показать, что модель, обученная распознавать рукописные цифры, имеет тенденцию ошибочно предсказывать 9 вместо 4 или ошибочно предсказывать 1 вместо 7.

Матрицы ошибок содержат достаточно информации для расчета различных показателей производительности, включая точность и полноту .

непрерывный объект

#основы

Функция с плавающей запятой с бесконечным диапазоном возможных значений, таких как температура или вес.

Контраст с дискретной функцией .

конвергенция

#основы

Состояние, при котором значения потерь изменяются очень незначительно или вообще не меняются на каждой итерации . Например, следующая кривая потерь предполагает сходимость примерно через 700 итераций:

Модель сходится , когда дополнительное обучение не улучшает модель.

При глубоком обучении значения потерь иногда остаются постоянными или почти постоянными в течение многих итераций, прежде чем окончательно упасть. В течение длительного периода постоянных значений потерь у вас может временно возникнуть ложное ощущение конвергенции.

См. также раннюю остановку .

Д

DataFrame

#основы

Популярный тип данных pandas для представления наборов данных в памяти.

DataFrame аналогичен таблице или электронной таблице. Каждый столбец DataFrame имеет имя (заголовок), а каждая строка идентифицируется уникальным номером.

Каждый столбец в DataFrame структурирован как двумерный массив, за исключением того, что каждому столбцу можно назначить свой собственный тип данных.

См. также официальную справочную страницу pandas.DataFrame .

набор данных или набор данных

#основы

Коллекция необработанных данных, обычно (но не исключительно) организованная в одном из следующих форматов:

• электронная таблица
• файл в формате CSV (значения, разделенные запятыми)

глубокая модель

#основы

Нейронная сеть , содержащая более одного скрытого слоя .

Глубокую модель еще называют глубокой нейронной сетью .

Контраст с широкой моделью .

плотная особенность

#основы

Функция , в которой большинство или все значения ненулевые, обычно это тензор значений с плавающей запятой. Например, следующий 10-элементный тензор является плотным, поскольку 9 его значений не равны нулю:

8

3

7

5

2

4

0

4

9

6

Контраст с редкими функциями .

глубина

#основы

Сумма следующего в нейронной сети :

• количество скрытых слоев
• количество выходных слоев , которое обычно равно 1
• количество любых слоев внедрения

Например, нейронная сеть с пятью скрытыми слоями и одним выходным слоем имеет глубину 6.

Обратите внимание, что входной слой не влияет на глубину.

дискретная функция

#основы

Объект с конечным набором возможных значений. Например, признак, значения которого могут быть только «животное» , «растение » или «минерал» , является дискретным (или категориальным) признаком.

Контраст с непрерывной функцией .

динамичный

#основы

Что-то, что делается часто или постоянно. Термины динамический и онлайн являются синонимами в машинном обучении. Ниже приведены распространенные варианты использования динамического и онлайн- обучения в машинном обучении:

• Динамическая модель (или онлайн-модель ) — это модель, которая часто или непрерывно переобучается.
• Динамическое обучение (или онлайн-обучение ) — это процесс частого или непрерывного обучения.
• Динамический вывод (или онлайн-вывод ) — это процесс создания прогнозов по требованию.

динамическая модель

#основы

Модель , которая часто (возможно, даже постоянно) переобучается. Динамическая модель — это «обучение на протяжении всей жизни», которое постоянно адаптируется к меняющимся данным. Динамическая модель также известна как онлайн-модель .

Контраст со статической моделью .

Э

ранняя остановка

#основы

Метод регуляризации , который предполагает прекращение обучения до того, как перестанут уменьшаться потери при обучении. При ранней остановке вы намеренно прекращаете обучение модели, когда потери в наборе проверочных данных начинают увеличиваться; то есть, когда производительность обобщения ухудшается.

Нажмите на значок, чтобы просмотреть дополнительные примечания.

Ранняя остановка может показаться нелогичной. В конце концов, сказать модели прекратить обучение, пока потери еще уменьшаются, может показаться тем же, что сказать повару прекратить готовить до того, как десерт полностью испечет. Однако слишком долгое обучение модели может привести к переобучению . То есть, если вы обучаете модель слишком долго, она может настолько точно соответствовать обучающим данным, что модель не сможет делать хорошие прогнозы на новых примерах.

---

слой внедрения

#язык

#основы

Специальный скрытый слой , который обучается на многомерном категориальном признаке для постепенного изучения вектора внедрения более низкого измерения. Уровень внедрения позволяет нейронной сети обучаться гораздо эффективнее, чем обучение только на многомерном категориальном признаке.

Например, на Земле в настоящее время произрастает около 73 000 видов деревьев. Предположим, что виды деревьев являются признаком вашей модели, поэтому входной слой вашей модели включает в себя вектор длиной 73 000 элементов. Например, возможно, baobab можно было бы представить примерно так:

Массив из 73 000 элементов очень длинный. Если вы не добавите в модель слой внедрения, обучение займет очень много времени из-за умножения 72 999 нулей. Возможно, вы выберете слой внедрения, состоящий из 12 измерений. Следовательно, слой внедрения постепенно изучает новый вектор внедрения для каждой породы деревьев.

В определенных ситуациях хеширование является разумной альтернативой слою внедрения.

эпоха

#основы

Полный проход обучения по всему обучающему набору , при котором каждый пример обрабатывается один раз.

Эпоха представляет собой N / итераций обучения размера пакета , где N — общее количество примеров.

Например, предположим следующее:

• Набор данных состоит из 1000 примеров.
• Размер партии — 50 экземпляров.

Следовательно, для одной эпохи требуется 20 итераций:

1 epoch = (N/batch size) = (1,000 / 50) = 20 iterations

пример

#основы

Значения одной строки объектов и, возможно, метки . Примеры контролируемого обучения делятся на две общие категории:

• Помеченный пример состоит из одного или нескольких объектов и метки. Маркированные примеры используются во время обучения.
• Немаркированный пример состоит из одного или нескольких объектов, но без метки. Во время вывода используются немаркированные примеры.

Например, предположим, что вы обучаете модель для определения влияния погодных условий на результаты тестов учащихся. Вот три помеченных примера:

Функции			Этикетка
Температура	Влажность	Давление	Оценка теста
15	47	998	Хороший
19	34	1020	Отличный
18	92	1012	Бедный

Вот три немаркированных примера:

Температура	Влажность	Давление
12	62	1014
21	47	1017
19	41	1021

Строка набора данных обычно является необработанным источником примера. То есть пример обычно состоит из подмножества столбцов набора данных. Кроме того, объекты в примере также могут включать в себя синтетические объекты , такие как перекрестные объекты .

Ф

ложноотрицательный (ФН)

#основы

Пример, в котором модель ошибочно предсказывает отрицательный класс . Например, модель предсказывает, что конкретное сообщение электронной почты не является спамом (негативный класс), но на самом деле это сообщение электронной почты является спамом .

ложноположительный результат (FP)

#основы

Пример, в котором модель ошибочно предсказывает положительный класс . Например, модель предсказывает, что конкретное сообщение электронной почты является спамом (положительный класс), но на самом деле это сообщение электронной почты не является спамом .

уровень ложноположительных результатов (FPR)

#основы

Доля реальных отрицательных примеров, для которых модель ошибочно предсказала положительный класс. Следующая формула рассчитывает уровень ложноположительных результатов:

$$\text{false positive rate} = \frac{\text{false positives}}{\text{false positives} + \text{true negatives}}$$

Частота ложноположительных результатов — это ось X на кривой ROC .

особенность

#основы

Входная переменная модели машинного обучения. Пример состоит из одной или нескольких функций. Например, предположим, что вы обучаете модель для определения влияния погодных условий на результаты тестов учащихся. В следующей таблице показаны три примера, каждый из которых содержит три функции и одну метку:

Функции			Этикетка
Температура	Влажность	Давление	Оценка теста
15	47	998	92
19	34	1020	84
18	92	1012	87

Контраст с этикеткой .

особенность креста

#основы

Синтетический признак , образованный путем «пересечения» категориальных или группированных признаков.

Например, рассмотрим модель «прогноза настроения», которая представляет температуру в одном из следующих четырех сегментов:

• freezing
• chilly
• temperate
• warm

И представляет скорость ветра в одном из следующих трех сегментов:

• still
• light
• windy

Без перекрестия функций линейная модель обучается независимо на каждом из семи предыдущих сегментов. Итак, модель тренируется, например, freezing независимо от тренировки, например, windy .

В качестве альтернативы вы можете создать перекрестную функцию температуры и скорости ветра. Эта синтетическая функция будет иметь следующие 12 возможных значений:

• freezing-still
• freezing-light
• freezing-windy
• chilly-still
• chilly-light
• chilly-windy
• temperate-still
• temperate-light
• temperate-windy
• warm-still
• warm-light
• warm-windy

Благодаря крестикам функций модель может запоминать разницу в настроении между freezing-windy и freezing-still днем.

Если вы создадите синтетический объект из двух объектов, каждый из которых имеет множество разных сегментов, полученный кросс объектов будет иметь огромное количество возможных комбинаций. Например, если один объект имеет 1000 сегментов, а другой — 2000 сегментов, результирующий кросс объектов будет иметь 2 000 000 сегментов.

Формально крест — это декартово произведение .

Перекрещивания признаков в основном используются с линейными моделями и редко используются с нейронными сетями.

разработка функций

#основы

#TensorFlow

Процесс, который включает в себя следующие этапы:

1. Определение того, какие функции могут быть полезны при обучении модели.
2. Преобразование необработанных данных из набора данных в эффективные версии этих функций.

Например, вы можете решить, что temperature может быть полезной функцией. Затем вы можете поэкспериментировать с группированием , чтобы оптимизировать то, что модель может узнать из разных temperature диапазонов.

Инжиниринг функций иногда называют извлечением функций или реализацией функций.

Щелкните значок, чтобы просмотреть дополнительные примечания о TensorFlow.

В TensorFlow разработка функций часто означает преобразование необработанных записей файла журнала в буферы протокола tf.Example . См. также tf.Transform .

---

набор функций

#основы

Группа функций, на которых тренируется ваша модель машинного обучения. Например, почтовый индекс, размер и состояние недвижимости могут составлять простой набор функций для модели, прогнозирующей цены на жилье.

вектор признаков

#основы

Массив значений признаков , содержащий пример . Вектор признаков вводится во время обучения и во время вывода . Например, вектор признаков для модели с двумя дискретными признаками может быть следующим:

[0.92, 0.56]

В каждом примере предоставляются разные значения вектора признаков, поэтому вектор признаков для следующего примера может выглядеть примерно так:

[0.73, 0.49]

Разработка признаков определяет, как представлять объекты в векторе признаков. Например, двоичный категориальный признак с пятью возможными значениями может быть представлен с помощью горячего кодирования . В этом случае часть вектора признаков для конкретного примера будет состоять из четырех нулей и одного 1,0 в третьей позиции, как показано ниже:

[0.0, 0.0, 1.0, 0.0, 0.0]

В качестве другого примера предположим, что ваша модель состоит из трех функций:

• двоичный категориальный признак с пятью возможными значениями, представленными с помощью горячего кодирования; например: [0.0, 1.0, 0.0, 0.0, 0.0]
• еще один двоичный категориальный признак с тремя возможными значениями, представленными с помощью горячего кодирования; например: [0.0, 0.0, 1.0]
• функция с плавающей запятой; например: 8.3 .

В этом случае вектор признаков для каждого примера будет представлен девятью значениями. Учитывая примеры значений в предыдущем списке, вектор признаков будет следующим:

0.0
1.0
0.0
0.0
0.0
0.0
0.0
1.0
8.3

Обратная связь

#основы

В машинном обучении - ситуация, в которой предсказания модели влияют на данные обучения для той же или другой модели. Например, модель, рекомендующая фильмы, будет влиять на фильмы, которые люди смотрят, что затем повлияет на последующие модели рекомендаций фильмов.

г

обобщение

#основы

Способность модели делать правильные прогнозы на основе новых, ранее невидимых данных. Модель, которая может обобщать, является противоположностью модели, которая переоснащается .

Нажмите на значок, чтобы просмотреть дополнительные примечания.

Вы обучаете модель на примерах обучающего набора. Следовательно, модель изучает особенности данных в обучающем наборе. По сути, обобщение спрашивает, может ли ваша модель делать хорошие прогнозы на примерах, которых нет в обучающем наборе.

Чтобы стимулировать обобщение, регуляризация помогает модели менее точно обучаться особенностям данных в обучающем наборе.

---

кривая обобщения

#основы

График потерь при обучении и потерь при проверке в зависимости от количества итераций .

Кривая обобщения может помочь вам обнаружить возможное переобучение . Например, следующая кривая обобщения предполагает переобучение, поскольку потери при проверке в конечном итоге становятся значительно выше, чем потери при обучении.

градиентный спуск

#основы

Математический метод минимизации потерь . Градиентный спуск итеративно корректирует веса и смещения , постепенно находя наилучшую комбинацию для минимизации потерь.

Градиентный спуск старше — намного старше — чем машинное обучение.

основная истина

#основы

Реальность.

То, что произошло на самом деле.

Например, рассмотрим модель бинарной классификации , которая предсказывает, закончит ли студент первого курса университета в течение шести лет. Основная истина для этой модели заключается в том, действительно ли этот студент окончил обучение в течение шести лет.

Нажмите на значок, чтобы просмотреть дополнительные примечания.

Мы оцениваем качество модели по сравнению с реальными фактами. Тем не менее, наземная правда не всегда полностью, ну, правда. Например, рассмотрим следующие примеры потенциальных недостатков в наземной правде:

• В примере выпуска мы уверены , что выпускные записи для каждого студента всегда верны? Является ли рекордсмену университета безупречно?
• Предположим, что этикетка представляет собой значение с плавающей точкой, измеренное приборами (например, барометрами). Как мы можем быть уверены, что каждый инструмент откалиброван идентично или что каждое чтение было принято при одинаковых обстоятельствах?
• Если этикетка является вопросом человеческого мнения, как мы можем быть уверены, что каждый человеческий оценщик оценивает события одинаково? Чтобы улучшить согласованность, экспертные оценщики человека иногда вмешиваются.

---

ЧАС

Скрытый слой

#основы

Слой в нейронной сети между входным уровнем (функциями) и выходным слоем (прогноз). Каждый скрытый слой состоит из одного или нескольких нейронов . Например, следующая нейронная сеть содержит два скрытых слоя, первый с тремя нейронами, а второй с двумя нейронами:

Глубокая нейронная сеть содержит более одного скрытого слоя. Например, предыдущая иллюстрация представляет собой глубокую нейронную сеть, потому что модель содержит два скрытых слоя.

гиперпараметр

#основы

Переменные, которые вы или служба настройки гиперпараметровкорректируют во время последовательных прогонов обучения модели. Например, скорость обучения является гиперпараметром. Вы можете установить уровень обучения на 0,01 перед одной тренировкой. Если вы определите, что 0,01 слишком высока, вы можете установить скорость обучения на 0,003 для следующей тренировки.

Напротив, параметры - это различные веса и предвзятость , которые модель изучает во время обучения.

я

самостоятельно и идентично распределено (IID)

#основы

Данные, взятые из распределения, которое не изменяется, и где каждое нарисованное значение не зависит от значений, которые были нарисованы ранее. IID - это идеальный газ машинного обучения - полезная математическая конструкция, но почти никогда не встречается в реальном мире. Например, распространение посетителей на веб -страницу может быть IID в течение короткого окна времени; То есть распространение не меняется во время этого краткого окна, и визит одного человека, как правило, не зависит от визита другого. Однако, если вы расширяете это окно времени, могут появиться сезонные различия в посетителях веб -страницы.

См. Также нестационарность .

вывод

#основы

В машинном обучении процесс прогнозирования путем применения обученной модели к немеченым примерам .

Вывод имеет несколько иное значение в статистике. Смотрите статью Википедии о статистическом выводе для деталей.

входной слой

#основы

Уровень нейронной сети , которая содержит вектор функций . То есть входной слой содержит примеры для обучения или вывода . Например, входной уровень в следующей нейронной сети состоит из двух функций:

интерпретируемость

#основы

Способность объяснять или представлять рассуждения модели ML в понятных терминах человеку.

Например, большинство моделей линейной регрессии очень интерпретируются. (Вам просто нужно взглянуть на обученные веса для каждой функции.) Леса принятия решений также хорошо интерпретируются. Некоторые модели, однако, требуют сложной визуализации, чтобы стать интерпретируемой.

Вы можете использовать инструмент интерпретации обучения (LIT) для интерпретации моделей ML.

итерация

#основы

Единое обновление параметров модели - веса модели и предвзятости - обучение . Размер партии определяет, сколько примеров обрабатывает модель в одной итерации. Например, если размер партии составляет 20, то модель обрабатывает 20 примеров перед настройкой параметров.

При обучении нейронной сети , одна итерация включает в себя следующие два прохода:

1. Правный проход для оценки потери на одной партии.
2. Обратный проход ( обратный процесс ) для корректировки параметров модели на основе потери и скорости обучения.

л

L ₀ регуляризация

#основы

Тип регуляризации , который наказывает общее количество ненулевых весов в модели. Например, модель, имеющая 11 ненулевых весов, была бы оштрафована больше, чем аналогичная модель с 10 ненулевыми весами.

L ₀ регуляризация иногда называют регуляризацией L0-Norm .

Нажмите на значок, чтобы просмотреть дополнительные примечания.

L ₀ Ретализация, как правило, нецелесообразно в больших моделях, потому что регуляризация L ₀ превращает тренировку в выпуклую проблему оптимизации.

---

L ₁ потеря

#основы

Функция потери , которая вычисляет абсолютное значение разницы между фактическими значениями метки и значениями, которые предсказывает модель . Например, вот расчет потери L ₁ для партии из пяти примеров :

Фактическое значение примера	Прогнозируемое значение модели	Абсолютное значение дельты
7	6	1
5	4	1
8	11	3
4	6	2
9	8	1
		8 = L 1 потеря

L ₁ Потеря менее чувствительна к выбросам , чем потеря L ₂ .

Средняя абсолютная ошибка - это средняя потеря L ₁ на пример.

Нажмите на значок, чтобы увидеть формальную математику.

$$ L_1 loss = \sum_{i=0}^n | y_i - \hat{y}_i |$$

где:

• $ n $ - это количество примеров.
• $ y $ - это фактическая стоимость метки.
• $ \ hat {y} $ - это стоимость, которую модель прогнозирует для $ y $.

---

L ₁ регуляризация

#основы

Тип регуляризации , который наказывает веса пропорционально сумме абсолютного значения весов. L ₁ Ретализация помогает стимулировать вес неактуальных или едва соответствующих функций ровно 0 . Функция с весом 0 эффективно удалена из модели.

Контраст с регуляризацией L ₂ .

L ₂ потеря

#основы

Функция потери , которая вычисляет квадрат разницы между фактическими значениями метки и значениями, которые предсказывает модель . Например, вот расчет потери L ₂ для партии из пяти примеров :

Фактическое значение примера	Прогнозируемое значение модели	Квадрат Дельта
7	6	1
5	4	1
8	11	9
4	6	4
9	8	1
		16 = L 2 потеря

Из -за квадрата потери L ₂ усиливают влияние выбросов . То есть потеря L ₂ реагирует более сильно на плохие прогнозы, чем потеря L ₁ . Например, потеря L ₁ для предыдущей партии составит 8, а не 16. Обратите внимание, что один выброс учитывает 9 из 16.

Регрессионные модели обычно используют потерю L ₂ в качестве функции потери.

Средняя квадратная ошибка - это средняя потеря L ₂ за пример. Потери квадрата - это еще одно название для потери L ₂ .

Нажмите на значок, чтобы увидеть формальную математику.

$$ L_2 loss = \sum_{i=0}^n {(y_i - \hat{y}_i)}^2$$

где:

• $ n $ - это количество примеров.
• $ y $ - это фактическая стоимость метки.
• $ \ hat {y} $ - это стоимость, которую модель прогнозирует для $ y $.

---

L ₂ регуляризация

#основы

Тип регуляризации , который наказывает веса пропорционально сумме квадратов весов. L ₂ Ретализация помогает стимулировать вес (те, которые с высокими положительными или низкими отрицательными значениями) ближе к 0, но не совсем до 0 . Особенности со значениями, очень близкими 0, остаются в модели, но не сильно влияют на прогноз модели.

L ₂ Ретализация всегда улучшает обобщение в линейных моделях .

Контраст с регуляризацией L ₁ .

этикетка

#основы

В контролируемом машинном обучении «ответ» или «Результат» часть примера .

Каждый помеченный пример состоит из одной или нескольких функций и метки. Например, в наборе данных обнаружения спама на этикетке, вероятно, будет либо «спам», либо «не спам». В наборе данных осадков этикетка может быть количество дождя, которое упало в течение определенного периода.

помеченный пример

#основы

Пример, который содержит одну или несколько функций и этикетку . Например, в следующей таблице показаны три помеченных примера из модели оценки дома, каждый с тремя функциями и одной меткой:

Количество спален	Количество ванных комнат	Дом возраст	Цена дома (этикетка)
3	2	15	345 000 долларов США
2	1	72	179 000 долларов США
4	2	34	392 000 долларов

В контролируемом машинном обучении модели обучаются на маркированных примерах и делают прогнозы на немеченых примерах .

Контрастные помеченные пример с немечеными примерами.

лямбда

#основы

Синоним уровня регуляризации .

Lambda - это перегруженный термин. Здесь мы сосредотачиваемся на определении термина в рамках регуляризации .

слой

#основы

Набор нейронов в нейронной сети . Три распространенных типа слоев следующие:

• Входной слой , который предоставляет значения для всех функций .
• Один или несколько скрытых слоев , которые находят нелинейные отношения между функциями и меткой.
• Выходной слой , который обеспечивает прогноз.

Например, на следующей иллюстрации показана нейронная сеть с одним входным уровнем, двумя скрытыми слоями и одним выходным слоем:

В TensorFlow слои также являются функциями Python, которые принимают тензоры и параметры конфигурации в качестве входного и производят другие тензоры в качестве вывода.

скорость обучения

#основы

Номер с плавающей запятой, который сообщает алгоритм градиентного спуска , насколько сильно регулировать веса и смещения на каждой итерации . Например, скорость обучения 0,3 будет корректировать вес и смещения в три раза более мощно, чем скорость обучения 0,1.

Уровень обучения является ключевым гиперпараметром . Если вы установите слишком низкую скорость обучения, обучение займет слишком много времени. Если вы устанавливаете слишком высокий уровень обучения, у градиентного спуска часто возникают проблемы с достижением сходимости .

Нажмите на значок для более математического объяснения.

Во время каждой итерации алгоритм градиентного происхождения умножает скорость обучения на градиент. Полученный продукт называется шагом градиента .

---

линейный

#основы

Связь между двумя или более переменными, которые могут быть представлены исключительно посредством добавления и умножения.

Сюжет линейных отношений - это линия.

Контраст с нелинейным .

Линейная модель

#основы

Модель , которая присваивает один вес на функцию для прогнозирования . (Линейные модели также включают в себя смещение .) Напротив, связь функций к прогнозам в глубоких моделях , как правило, нелинейная .

Линейные модели, как правило, легче тренировать и более интерпретируются , чем глубокие модели. Тем не менее, глубокие модели могут изучать сложные отношения между функциями.

Линейная регрессия и логистическая регрессия являются двумя типами линейных моделей.

Нажмите на значок, чтобы увидеть математику.

Линейная модель следует за этой формулой:

$$y' = b + w_1x_1 + w_2x_2 + … w_nx_n$$

где:

• y 'это сырой прогноз. (В определенных видах линейных моделей этот необработанный прогноз будет дополнительно изменен. Например, см. Логистическую регрессию .)
• b - предвзятость .
• W - вес , поэтому W ₁ - вес первой функции, W ₂ - вес второй функции и так далее.
• X является функцией , поэтому x ₁ является значением первой функции, x ₂ является значением второй функции и так далее.

Например, предположим, что линейная модель для трех функций изучает следующее смещение и вес:

• b = 7
• w ₁ = -2,5
• w ₂ = -1,2
• W ₃ = 1,4

Поэтому, учитывая три функции (x ₁ , x ₂ и x ₃ ), линейная модель использует следующее уравнение для генерации каждого прогноза:

y' = 7 + (-2.5)(x1) + (-1.2)(x2) + (1.4)(x3)

Предположим, конкретный пример содержит следующие значения:

• x ₁ = 4
• x ₂ = -10
• x ₃ = 5

Подключение этих значений к формуле дает прогноз для этого примера:

y' = 7 + (-2.5)(4) + (-1.2)(-10) + (1.4)(5)
y' = 16

Линейные модели включают не только модели, которые используют только линейное уравнение для прогнозирования, но и более широкий набор моделей, которые используют линейное уравнение как один из компонентов формулы, который делает прогнозы. Например, логистическая регрессия после обработки необработанного прогноза (y ') для получения окончательного значения прогнозирования между 0 и 1 исключительно.

---

линейная регрессия

#основы

Тип модели машинного обучения, в которой оба из следующих

• Модель является линейной моделью .
• Прогноз-это значение с плавающей точкой. (Это регрессионная часть линейной регрессии .)

Контрастная линейная регрессия с логистической регрессией . Кроме того, контрастная регрессия с классификацией .

логистическая регрессия

#основы

Тип регрессионной модели , которая предсказывает вероятность. Модели логистической регрессии имеют следующие характеристики:

• Этикетка категориальна . Термин логистическая регрессия обычно относится к бинарной логистической регрессии , то есть к модели, которая вычисляет вероятности для меток с двумя возможными значениями. Менее распространенный вариант, мультиномиальная логистическая регрессия , вычисляет вероятности для меток с более чем двумя возможными значениями.
• Функция потери во время обучения - потеря журнала . (Несколько единиц потери журнала могут быть размещены на параллели для меток с более чем двумя возможными значениями.)
• Модель имеет линейную архитектуру, а не глубокую нейронную сеть. Тем не менее, оставшаяся часть этого определения также применима к глубоким моделям , которые предсказывают вероятности категориальных меток.

Например, рассмотрим модель логистической регрессии, которая вычисляет вероятность того, что входное электронное письмо будет либо спамом, либо не спам. Во время вывода предположим, что модель предсказывает 0,72. Следовательно, модель оценивает:

• 72% шанс на спам.
• 28% вероятность того, что электронное письмо не является спамом.

Модель логистической регрессии использует следующую двухэтапную архитектуру:

1. Модель генерирует необработанное прогноз (Y '), применяя линейную функцию входных функций.
2. Модель использует этот необработанный прогноз в качестве входного вводного в сигмоидную функцию , которая преобразует необработанное прогноз в значение от 0 до 1, исключительно.

Как и любая модель регрессии, модель логистической регрессии предсказывает число. Однако это число обычно становится частью бинарной классификационной модели следующим образом:

• Если прогнозируемое число больше, чем порог классификации , модель бинарной классификации предсказывает положительный класс.
• Если прогнозируемое число меньше порога классификации, модель бинарной классификации предсказывает отрицательный класс.

Потеря

#основы

Функция потерь, используемая в бинарной логистической регрессии .

Нажмите на значок, чтобы увидеть математику.

Следующая формула вычисляет потерю журнала:

$$\text{Log Loss} = \sum_{(x,y)\in D} -y\log(y') - (1 - y)\log(1 - y')$$

где:

• \((x,y)\in D\) -это набор данных, содержащий множество помеченных примеров, которые являются парами \((x,y)\) .
• \(y\) является меткой в ​​помеченном примере. Поскольку это логистическая регрессия, каждое значение \(y\) должно быть либо 0, либо 1.
• \(y'\) является прогнозируемым значением (где-то между 0 и 1, эксклюзивным), учитывая набор функций в \(x\).

---

логарифмические

#основы

Логарифм шансов какого -то события.

Нажмите на значок, чтобы увидеть математику.

Если событие является бинарной вероятностью, то шансы относится к соотношению вероятности успеха ( P ) к вероятности отказа (1- P ). Например, предположим, что данное событие имеет 90% вероятность успеха и вероятность отказа 10%. В этом случае шансы рассчитываются следующим образом:

$$ {\text{odds}} = \frac{\text{p}} {\text{(1-p)}} = \frac{.9} {.1} = {\text{9}} $$

Логаристы-это просто логарифм шансов. По соглашению, «логарифм» относится к естественному логарифму , но логарифм на самом деле может быть какой-либо базой, превышающей 1. Придерживаться соглашения, следовательно, логарифмические народы нашего примера:

$$ {\text{log-odds}} = ln(9) ~= 2.2 $$

Функция log-odds является обратной функцией сигмоида .

---

потеря

#основы

Во время обучения контролируемой модели мера того, насколько далеко прогнозирование модели от его ярлыка .

Функция потери вычисляет потерю.

кривая потери

#основы

График потери как функция количества обучающих итераций . На следующем графике показана типичная кривая потерь:

Кривые потерь могут помочь вам определить, когда ваша модель сходится или переживает .

Кривые потерь могут построить все следующие типы потерь:

• Потеря обучения
• убытка валидации
• Тестовая потеря

См. Также кривая обобщения .

функция потерь

#основы

Во время обучения или тестирования математическая функция, которая вычисляет потерю на партии примеров. Функция потери возвращает более низкую потерю для моделей, которые делают хорошие прогнозы, чем для моделей, которые делают плохие прогнозы.

Цель обучения, как правило, состоит в том, чтобы минимизировать потери, которую возвращает функция потери.

Существует много различных видов потерь. Выберите соответствующую функцию потерь для той модели, которую вы строите. Например:

• L ₂ Потеря (или средняя квадратная ошибка ) является функцией потери для линейной регрессии .
• Потеря журнала - это функция потери для логистической регрессии .

М

машинное обучение

#основы

Программа или система, которая обучает модель из входных данных. Обученная модель может сделать полезные прогнозы из новых (никогда не видно) данных, взятых из того же распределения, что и то, что используется для обучения модели.

Машинное обучение также относится к области исследования, связанной с этими программами или системами.

большинство класс

#основы

Более распространенная метка в классе-имбалансированном наборе данных . Например, учитывая набор данных, содержащий 99% отрицательных меток и 1% положительных меток, отрицательные этикетки - это большинство класса.

Контраст с классом меньшинства .

мини-партия

#основы

Небольшая, случайно выбранная подмножество партии , обработанного в одной итерации . Размер партии мини-партии обычно составляет от 10 до 1000 примеров.

Например, предположим, что весь учебный набор (полная партия) состоит из 1000 примеров. Кроме того, предположим, что вы устанавливаете размер партии каждой мини-партии на 20. Следовательно, каждая итерация определяет потерю на случайных 20 из 1000 примеров, а затем соответственно корректирует веса и смещения .

Гораздо эффективнее рассчитать потерю на мини-партии, чем потери всех примеров в полной партии.

класс меньшинства

#основы

Менее распространенная метка в класс-имбалансированном наборе данных . Например, учитывая набор данных, содержащий 99% отрицательных меток и 1% положительных меток, положительными этикетками являются класс меньшинства.

Контраст с классом большинства .

Нажмите на значок, чтобы просмотреть дополнительные примечания.

Учебный набор с миллионом примеров звучит впечатляюще. Однако, если класс меньшинства плохо представлен, то даже очень большой тренировочный набор может быть недостаточным. Сосредоточьтесь меньше на общем количестве примеров в наборе данных и больше на количестве примеров в классе меньшинства.

Если ваш набор данных не содержит достаточного количества примеров класса меньшинств, рассмотрите возможность использования снижения (определение во второй пуле), чтобы дополнить класс меньшинства.

---

модель

#основы

В целом, любая математическая конструкция, которая обрабатывает входные данные и возвращает вывод. Фрагрировано иначе, модель - это набор параметров и структуры, необходимых для системы для прогнозирования. В контролируемом машинном обучении модель получает пример в качестве ввода и делает прогноз в качестве вывода. Внутри контролируемого машинного обучения модели несколько отличаются. Например:

• Модель линейной регрессии состоит из набора весов и предвзятости .
• Модель нейронной сети состоит из:
  • Набор скрытых слоев , каждый из которых содержит один или несколько нейронов .
  • Вес и смещение, связанные с каждым нейроном.
• Модель дерева решений состоит из:
  • Форма дерева; то есть шаблон, при которой условия и листья соединены.
  • Условия и листья.

Вы можете сохранить, восстановить или сделать копии модели.

Неконтролируемое машинное обучение также генерирует модели, как правило, функция, которая может отобразить входной пример с наиболее подходящим кластером .

Нажмите на значок, чтобы сравнить функции алгебраической и программирования с моделями ML.

Алгебраическая функция, такая как следующая модель:

  f(x, y) = 3x -5xy + y2 + 17

Предыдущая функция отображает входные значения ( x и y ) для вывода.

Точно так же функция программирования, подобная следующей, также является моделью:

def half_of_greater(x, y):
  if (x > y):
    return(x / 2)
  else
    return(y / 2)

Вызывающий абонент передает аргументы в предыдущую функцию Python, а функция Python генерирует выход (через оператор возврата ).

Хотя глубокая нейронная сеть имеет совершенно иную математическую структуру, чем алгебраическая или программировая функция, глубокая нейронная сеть по -прежнему принимает вход (пример) и возвращает вывод (прогноз).

Человеческий программист кодирует функцию программирования вручную. Напротив, модель машинного обучения постепенно изучает оптимальные параметры во время автоматического обучения.

---

Многоклассовая классификация

#основы

В контролируемом обучении задача классификации , в которой набор данных содержит более двух классов метки. Например, этикетки в наборе данных Iris должны быть одним из следующих трех классов:

• Радужная оболочка Сетоса
• Айрис Вирджиния
• Iris versicolor

Модель, обученная набору данных IRIS, которая прогнозирует тип IRIS на новых примерах,-это многоклассная классификация.

Напротив, проблемы классификации, которые различают ровно двух классов, являются моделями бинарной классификации . Например, модель электронной почты, которая прогнозирует либо спам , либо не спам, является моделью бинарной классификации.

В задачах кластеризации многоклассная классификация относится к более чем двум кластерам.

Н

отрицательный класс

#основы

В бинарной классификации один класс называется положительным , а другой называется отрицательным . Положительный класс - это то, что модель тестирует, а отрицательный класс - другая возможность. Например:

• Отрицательный класс в медицинском тесте может быть «не опухоль».
• Негативным классом в классификаторе электронной почты может быть «не спам».

Контраст с положительным классом .

нейронная сеть

#основы

Модель , содержащая хотя бы один скрытый слой . Глубокая нейронная сеть - это тип нейронной сети, содержащей более одного скрытого уровня. Например, на следующей диаграмме показана глубокая нейронная сеть, содержащая два скрытых слоя.

Каждый нейрон в нейронной сети подключается ко всем узлам в следующем уровне. Например, на предыдущей диаграмме обратите внимание, что каждый из трех нейронов в первом скрытом слое отдельно соединяется с обоими двумя нейронами во втором скрытом слое.

Нейронные сети, внедренные на компьютерах, иногда называют искусственными нейронными сетями, чтобы дифференцировать их от нейронных сетей, обнаруженных в мозге и других нервных системах.

Некоторые нейронные сети могут имитировать чрезвычайно сложные нелинейные отношения между различными функциями и меткой.

См. Также сверточная нейронная сеть и повторяющаяся нейронная сеть .

нейрон

#основы

В машинном обучении отличное устройство в скрытом слое нейронной сети . Каждый нейрон выполняет следующее двухэтапное действие:

1. Вычисляет взвешенную сумму входных значений, умноженную на соответствующие веса.
2. Передает взвешенную сумму в качестве входной функции в функцию активации .

Нейрон в первом скрытом слое принимает входы из значений функций в входном слое . Нейрон в любом скрытом слое за пределами первого принимает входные данные от нейронов в предыдущем скрытом слое. Например, нейрон во втором скрытом слое принимает входные данные от нейронов в первом скрытом слое.

Следующая иллюстрация подчеркивает два нейрона и их входные данные.

Нейрон в нейронной сети имитирует поведение нейронов в мозге и других частях нервных систем.

Узел (нейронная сеть)

#основы

Нейрон в скрытом слое .

нелинейный

#основы

Отношения между двумя или более переменными, которые не могут быть представлены исключительно через сложение и умножение. Линейная связь может быть представлена ​​как линия; Нелинейные отношения не могут быть представлены как строка. Например, рассмотрим две модели, которые каждая связывает одну функцию с одной меткой. Модель слева линейна, а модель справа нелинейна:

нестационарность

#основы

Функция, значения которых изменяются по одному или нескольким измерениям, обычно время. Например, рассмотрим следующие примеры нестационарности:

• Количество купальников, проданных в конкретном магазине, зависит от сезона.
• Количество конкретного фрукта, собранного в конкретном регионе, составляет равное большую часть года, но большое количество в течение короткого периода.
• Из -за изменения климата, годовая средняя температура меняется.

Контрастировать со стационарностью .

нормализация

#основы

Вообще говоря, процесс преобразования фактического диапазона значений переменной в стандартный диапазон значений, таких как:

• -1 до +1
• От 0 до 1
• нормальное распределение

Например, предположим, что фактический диапазон значений определенной функции составляет от 800 до 2400. В рамках инженерии функций вы можете нормализовать фактические значения до стандартного диапазона, например от -1 до +1.

Нормализация является общей задачей в разработке функций . Модели обычно тренируются быстрее (и производят лучшие прогнозы), когда каждая численная особенность в векторе объектов имеет примерно одинаковый диапазон.

числовые данные

#основы

Особенности , представленные в виде целых чисел или реальных чисел. Например, модель оценки дома, вероятно, будет представлять размер дома (в квадратных футах или квадратных метрах) в качестве численных данных. Представление функции в качестве численных данных указывает на то, что значения функции имеют математическое отношение к этикетке. То есть количество квадратных метров в доме, вероятно, имеет некоторое математическое отношение к ценности дома.

Не все целочисленные данные должны быть представлены в виде числовых данных. Например, почтовые коды в некоторых частях мира являются целыми исходами; Тем не менее, целочисленные почтовые коды не должны быть представлены как числовые данные в моделях. Это связано с тем, что почтовый код 20000 не является дважды (или половиной) столь же мощным, как почтовый индекс 10000. Кроме того, хотя различные почтовые коды коррелируют с различными значениями недвижимости, мы не можем предположить, что значения недвижимости в почтовом коде 20000 в два раза больше ценно, чем значения недвижимости в почтовом коде 10000. Вместо этого почтовые коды должны быть представлены как категориальные данные .

Численные особенности иногда называют непрерывными функциями .

О

не в сети

#основы

Синоним статического .

автономный вывод

#основы

Процесс модели, генерирующей партию прогнозов , а затем кэширование (сохранение) этих прогнозов. Затем приложения могут получить доступ к предполагаемому прогнозу из кэша, а не повторять модель.

Например, рассмотрим модель, которая генерирует локальные прогнозы погоды (прогнозы) раз в четыре часа. После каждой модели запуска система кэширует все локальные прогнозы погоды. Погодные приложения извлекают прогнозы из кеша.

Вывод о автономном режиме также называется статическим выводом .

Контрастировать с онлайн -выводом .

ОДНА-HOT CODING

#основы

Представляя категориальные данные как вектор, в котором:

• Один элемент установлен на 1.
• Все остальные элементы установлены на 0.

Одногоральное кодирование обычно используется для представления строк или идентификаторов, которые имеют конечный набор возможных значений. Например, предположим, что определенная категориальная функция с именем Scandinavia имеет пять возможных значений:

• "Дания"
• "Швеция"
• "Норвегия"
• "Финляндия"
• "Исландия"

Один-горячее кодирование может представлять каждое из пяти значений следующим образом:

страна	Вектор
"Дания"	1	0	0	0	0
"Швеция"	0	1	0	0	0
"Норвегия"	0	0	1	0	0
"Финляндия"	0	0	0	1	0
"Исландия"	0	0	0	0	1

Благодаря однокачественному кодированию модель может изучать различные связи, основанные на каждой из пяти стран.

Представление функции в качестве численных данных является альтернативой однопольнуемому кодированию. К сожалению, представление скандинавских стран численно не является хорошим выбором. Например, рассмотрим следующее числовое представление:

• "Дания" - 0
• "Швеция" - 1
• "Норвегия" - 2
• "Финляндия" 3
• «Исландия» 4

При числовом кодировании модель математически интерпретирует необработанные числа и будет пытаться тренироваться на этих числах. Тем не менее, Исландия на самом деле не вдвое больше (или вдвое меньше) чего -то, чем Норвегия, поэтому модель сделает некоторые странные выводы.

One-Vs.-All

#основы

Учитывая проблему классификации с классами N, решение, состоящее из N отдельных бинарных классификаторов - одного двоичного классификатора для каждого возможного результата. Например, учитывая модель, которая классифицирует примеры как животные, овощные или минеральные, одно против всех растворов предоставит следующие три отдельных бинарных классификаторов:

• животное против не животное
• овощно не овощ
• Минерал, а не минерал

В сети

#основы

Синоним для динамики .

онлайн -вывод

#основы

Генерирование прогнозов по требованию. Например, предположим, что приложение передает вход в модель и выдает запрос на прогноз. Система, использующая онлайн -вывод, отвечает на запрос, запустив модель (и возвращая прогноз в приложение).

Контрастировать с автономным выводом .

выходной слой

#основы

«Последний» слой нейронной сети. Выходной слой содержит прогноз.

На следующей иллюстрации показана небольшая глубокая нейронная сеть с входным слоем, два скрытых слоя и выходной слой:

переоснащение

#основы

Создание модели , которая так близко соответствует учебным данным , что модель не может сделать правильные прогнозы на новых данных.

Ретализация может уменьшить переосмысление. Обучение на большом и разнообразном учебном наборе также может уменьшить переосмысление.

Нажмите на значок, чтобы просмотреть дополнительные примечания.

Переупреждение - это как строго следовать советам только от вашего любимого учителя. Вы, вероятно, добьетесь успеха в классе этого учителя, но вы можете «переоценить» идеи этого учителя и быть безуспешными в других классах. Следующие советы от смеси учителей позволят вам лучше адаптироваться к новым ситуациям.

---

п

панды

#основы

API анализа данных, ориентированный на столбцы, построенный на вершине Numpy . Многие структуры машинного обучения, включая Tensorflow, поддерживают структуры данных Pandas в качестве входных данных. Смотрите документацию Pandas для деталей.

параметр

#основы

Вес и предубеждения , которые модель учится во время тренировки . Например, в модели линейной регрессии параметры состоят из смещения ( b ) и всех весов ( W ₁ , W ₂ и т. Д.) В следующей формуле:

$$y' = b + w_1x_1 + w_2x_2 + … w_nx_n$$

В отличие от этого, гиперпараметры - это значения, которые вы (или гиперпараметры поворота) поставляете модель. Например, скорость обучения является гиперпараметром.

положительный класс

#основы

Класс, на который вы тестируете.

Например, положительным классом в модели рака может быть «опухоль». Позитивным классом в классификаторе электронной почты может быть «спам».

Контраст с негативным классом .

Нажмите на значок, чтобы просмотреть дополнительные примечания.

Термин « Положительный класс» может сбить с толку, потому что «положительный» исход многих тестов часто является нежелательным результатом. Например, положительный класс во многих медицинских тестах соответствует опухолях или заболеваниям. В целом, вы хотите, чтобы врач сказал вам: «Поздравляю! Результаты ваших испытаний были отрицательными». Несмотря на это, положительный класс - это событие, которое испытание стремится найти.

По общему признанию, вы одновременно тестируете как на положительные, так и отрицательные классы.

---

Постобработка

#fairness

#основы

Регулирование вывода модели после запуска модели. Пост-обработка может быть использована для обеспечения соблюдения ограничений справедливости без моделей самих моделей.

Например, можно применить после обработки к бинарному классификатору, установив порог классификации, так что равенство возможностей поддерживается для некоторого атрибута путем проверки того, что истинная положительная скорость одинакова для всех значений этого атрибута.

прогноз

#основы

Вывод модели. Например:

• Прогнозой модели бинарной классификации является либо положительным классом, либо отрицательным классом.
• Прогнозирование многоклассовой классификационной модели-один класс.
• Прогноз линейной регрессионной модели - это число.

прокси -этикетки

#основы

Данные, используемые для приблизительных меток, недоступных в наборе данных.

Например, предположим, что вы должны обучить модель для прогнозирования уровня стресса сотрудников. Ваш набор данных содержит много прогнозных функций, но не содержит метки с именем напряжения. Неустрашимый, вы выбираете «аварии на рабочем месте» в качестве прокси -лейбла для уровня стресса. After all, employees under high stress get into more accidents than calm employees. Или они? Maybe workplace accidents actually rise and fall for multiple reasons.

As a second example, suppose you want is it raining? to be a Boolean label for your dataset, but your dataset doesn't contain rain data. If photographs are available, you might establish pictures of people carrying umbrellas as a proxy label for is it raining? Is that a good proxy label? Possibly, but people in some cultures may be more likely to carry umbrellas to protect against sun than the rain.

Proxy labels are often imperfect. When possible, choose actual labels over proxy labels. That said, when an actual label is absent, pick the proxy label very carefully, choosing the least horrible proxy label candidate.

р

ТРЯПКА

#основы

Abbreviation for retrieval-augmented generation .

оценщик

#основы

A human who provides labels for examples . "Annotator" is another name for rater.

Rectified Linear Unit (ReLU)

#основы

An activation function with the following behavior:

• If input is negative or zero, then the output is 0.
• If input is positive, then the output is equal to the input.

Например:

• If the input is -3, then the output is 0.
• If the input is +3, then the output is 3.0.

Here is a plot of ReLU:

ReLU is a very popular activation function. Despite its simple behavior, ReLU still enables a neural network to learn nonlinear relationships between features and the label .

regression model

#основы

Informally, a model that generates a numerical prediction. (In contrast, a classification model generates a class prediction.) For example, the following are all regression models:

• A model that predicts a certain house's value, such as 423,000 Euros.
• A model that predicts a certain tree's life expectancy, such as 23.2 years.
• A model that predicts the amount of rain that will fall in a certain city over the next six hours, such as 0.18 inches.

Two common types of regression models are:

• Linear regression , which finds the line that best fits label values to features.
• Logistic regression , which generates a probability between 0.0 and 1.0 that a system typically then maps to a class prediction.

Not every model that outputs numerical predictions is a regression model. In some cases, a numeric prediction is really just a classification model that happens to have numeric class names. For example, a model that predicts a numeric postal code is a classification model, not a regression model.

регуляризация

#основы

Any mechanism that reduces overfitting . Popular types of regularization include:

• L ₁ regularization
• L ₂ regularization
• dropout regularization
• early stopping (this is not a formal regularization method, but can effectively limit overfitting)

Regularization can also be defined as the penalty on a model's complexity.

Нажмите на значок, чтобы просмотреть дополнительные примечания.

Regularization is counterintuitive. Increasing regularization usually increases training loss, which is confusing because, well, isn't the goal to minimize training loss?

Вообще-то, нет. The goal isn't to minimize training loss. The goal is to make excellent predictions on real-world examples. Remarkably, even though increasing regularization increases training loss, it usually helps models make better predictions on real-world examples.

---

regularization rate

#основы

A number that specifies the relative importance of regularization during training. Raising the regularization rate reduces overfitting but may reduce the model's predictive power. Conversely, reducing or omitting the regularization rate increases overfitting.

Click the icon to see the math.

The regularization rate is usually represented as the Greek letter lambda. The following simplified loss equation shows lambda's influence:

$$\text{minimize(loss function + }\lambda\text{(regularization))}$$

where regularization is any regularization mechanism, including;

• L ₁ regularization
• L ₂ regularization

---

ReLU

#основы

Abbreviation for Rectified Linear Unit .

retrieval-augmented generation (RAG)

#основы

A technique for improving the quality of large language model (LLM) output by grounding it with sources of knowledge retrieved after the model was trained. RAG improves the accuracy of LLM responses by providing the trained LLM with access to information retrieved from trusted knowledge bases or documents.

Common motivations to use retrieval-augmented generation include:

• Increasing the factual accuracy of a model's generated responses.
• Giving the model access to knowledge it was not trained on.
• Changing the knowledge that the model uses.
• Enabling the model to cite sources.

For example, suppose that a chemistry app uses the PaLM API to generate summaries related to user queries. When the app's backend receives a query, the backend:

1. Searches for ("retrieves") data that's relevant to the user's query.
2. Appends ("augments") the relevant chemistry data to the user's query.
3. Instructs the LLM to create a summary based on the appended data.

ROC (receiver operating characteristic) Curve

#основы

A graph of true positive rate versus false positive rate for different classification thresholds in binary classification.

The shape of an ROC curve suggests a binary classification model's ability to separate positive classes from negative classes. Suppose, for example, that a binary classification model perfectly separates all the negative classes from all the positive classes:

The ROC curve for the preceding model looks as follows:

In contrast, the following illustration graphs the raw logistic regression values for a terrible model that can't separate negative classes from positive classes at all:

The ROC curve for this model looks as follows:

Meanwhile, back in the real world, most binary classification models separate positive and negative classes to some degree, but usually not perfectly. So, a typical ROC curve falls somewhere between the two extremes:

The point on an ROC curve closest to (0.0,1.0) theoretically identifies the ideal classification threshold. However, several other real-world issues influence the selection of the ideal classification threshold. For example, perhaps false negatives cause far more pain than false positives.

A numerical metric called AUC summarizes the ROC curve into a single floating-point value.

Среднеквадратическая ошибка (RMSE)

#основы

The square root of the Mean Squared Error .

С

сигмовидная функция

#основы

A mathematical function that "squishes" an input value into a constrained range, typically 0 to 1 or -1 to +1. That is, you can pass any number (two, a million, negative billion, whatever) to a sigmoid and the output will still be in the constrained range. A plot of the sigmoid activation function looks as follows:

The sigmoid function has several uses in machine learning, including:

• Converting the raw output of a logistic regression or multinomial regression model to a probability.
• Acting as an activation function in some neural networks.

Click the icon to see the math.

The sigmoid function over an input number x has the following formula:

$$ sigmoid(x) = \frac{1}{1 + e^{-\text{x}}} $$

In machine learning, x is generally a weighted sum .

---

софтмакс

#основы

A function that determines probabilities for each possible class in a multi-class classification model . The probabilities add up to exactly 1.0. For example, the following table shows how softmax distributes various probabilities:

Image is a...	Вероятность
собака	.85
кот	.13
лошадь	.02

Softmax is also called full softmax .

Contrast with candidate sampling .

Click the icon to see the math.

The softmax equation is as follows:

$$\sigma_i = \frac{e^{\text{z}_i}} {\sum_{j=1}^{j=K} {e^{\text{z}_j}}} $$

где:

• $\sigma_i$ is the output vector. Each element of the output vector specifies the probability of this element. The sum of all the elements in the output vector is 1.0. The output vector contains the same number of elements as the input vector, $z$.
• $z$ is the input vector. Each element of the input vector contains a floating-point value.
• $K$ is the number of elements in the input vector (and the output vector).

For example, suppose the input vector is:

[1.2, 2.5, 1.8]

Therefore, softmax calculates the denominator as follows:

$$\text{denominator} = e^{1.2} + e^{2.5} + e^{1.8} = 21.552$$

The softmax probability of each element is therefore:

$$\sigma_1 = \frac{e^{1.2}}{21.552} = 0.154 $$$$\sigma_2 = \frac{e^{2.5}}{21.552} = 0.565 $$$$\sigma_1 = \frac{e^{1.8}}{21.552} = 0.281 $$

So, the output vector is therefore:

$$\sigma = [0.154, 0.565, 0.281]$$

The sum of the three elements in $\sigma$ is 1.0. Уф!

---

редкая особенность

#язык

#основы

Объект , значения которого преимущественно равны нулю или пусты. Например, объект, содержащий одно значение 1 и миллион значений 0, является редким. Напротив, плотный объект имеет значения, которые преимущественно не равны нулю или пусты.

В машинном обучении удивительное количество функций являются редкими. Категориальные признаки обычно являются разреженными. Например, из 300 возможных пород деревьев в лесу единственный пример может идентифицировать только клен . Или из миллионов возможных видео в видеотеке единственный пример может идентифицировать только «Касабланку».

В модели вы обычно представляете разреженные элементы с помощью горячего кодирования . Если горячее кодирование большое, вы можете поместить слой внедрения поверх горячего кодирования для большей эффективности.

редкое представительство

#язык

#основы

Сохранение только позиций ненулевых элементов в разреженном объекте.

Например, предположим, что категориальный признак с именем species идентифицирует 36 видов деревьев в определенном лесу. Далее предположим, что каждый пример идентифицирует только один вид.

Вы можете использовать горячий вектор для представления пород деревьев в каждом примере. Вектор one-hot будет содержать одну цифру 1 (для обозначения конкретной породы деревьев в этом примере) и 35 0 (для обозначения 35 пород деревьев , не входящих в этот пример). Итак, горячее представление maple может выглядеть примерно так:

В качестве альтернативы, редкое представительство просто идентифицировало бы положение конкретного вида. Если maple находится в позиции 24, то разреженное представление maple будет просто:

24

Обратите внимание, что разреженное представление намного компактнее, чем «горячее» представление.

Примечание. Не следует передавать разреженное представление в качестве прямого ввода объекта в модель. Вместо этого вам следует преобразовать разреженное представление в «горячее» представление перед обучением на нем.

Щелкните значок, чтобы просмотреть немного более сложный пример.

Предположим, что каждый пример в вашей модели должен представлять слова (но не порядок этих слов) в английском предложении. Английский язык состоит примерно из 170 000 слов, поэтому английский является категориальным признаком, содержащим около 170 000 элементов. В большинстве английских предложений используется очень малая часть из этих 170 000 слов, поэтому набор слов в одном примере почти наверняка будет скудным.

Рассмотрим следующее предложение:

My dog is a great dog

Вы можете использовать вариант горячего вектора для представления слов в этом предложении. В этом варианте несколько ячеек вектора могут содержать ненулевое значение. Кроме того, в этом варианте ячейка может содержать целое число, отличное от единицы. Хотя слова «мой», «есть», «а» и «великий» встречаются в предложении только один раз, слово «собака» встречается дважды. Использование этого варианта горячих векторов для представления слов в этом предложении дает следующий вектор из 170 000 элементов:

Редкое представление того же предложения было бы просто:

0: 1
26100: 2
45770: 1
58906: 1
91520: 1

---

Нажмите на значок, если вы запутались.

Термин «разреженное представление» сбивает с толку многих людей, поскольку разреженное представление само по себе не является разреженным вектором . Скорее, разреженное представление на самом деле является плотным представлением разреженного вектора . Индексное представление синонимов немного понятнее, чем «разреженное представление».

---

разреженный вектор

#основы

A vector whose values are mostly zeroes. See also sparse feature and sparsity .

squared loss

#основы

Synonym for L ₂ loss .

статический

#основы

Something done once rather than continuously. The terms static and offline are synonyms. The following are common uses of static and offline in machine learning:

• static model (or offline model ) is a model trained once and then used for a while.
• static training (or offline training ) is the process of training a static model.
• static inference (or offline inference ) is a process in which a model generates a batch of predictions at a time.

Contrast with dynamic .

static inference

#основы

Synonym for offline inference .

стационарность

#основы

A feature whose values don't change across one or more dimensions, usually time. For example, a feature whose values look about the same in 2021 and 2023 exhibits stationarity.

In the real world, very few features exhibit stationarity. Even features synonymous with stability (like sea level) change over time.

Contrast with nonstationarity .

stochastic gradient descent (SGD)

#основы

A gradient descent algorithm in which the batch size is one. In other words, SGD trains on a single example chosen uniformly at random from a training set .

контролируемое машинное обучение

#основы

Training a model from features and their corresponding labels . Supervised machine learning is analogous to learning a subject by studying a set of questions and their corresponding answers. After mastering the mapping between questions and answers, a student can then provide answers to new (never-before-seen) questions on the same topic.

Compare with unsupervised machine learning .

synthetic feature

#основы

A feature not present among the input features, but assembled from one or more of them. Methods for creating synthetic features include the following:

• Bucketing a continuous feature into range bins.
• Creating a feature cross .
• Multiplying (or dividing) one feature value by other feature value(s) or by itself. For example, if a and b are input features, then the following are examples of synthetic features:
  • аб
  • ²
• Applying a transcendental function to a feature value. For example, if c is an input feature, then the following are examples of synthetic features:
  • sin(c)
  • ln(c)

Features created by normalizing or scaling alone are not considered synthetic features.

Т

test loss

#основы

A metric representing a model's loss against the test set . When building a model , you typically try to minimize test loss. That's because a low test loss is a stronger quality signal than a low training loss or low validation loss .

A large gap between test loss and training loss or validation loss sometimes suggests that you need to increase the regularization rate .

обучение

#основы

The process of determining the ideal parameters (weights and biases) comprising a model . During training, a system reads in examples and gradually adjusts parameters. Training uses each example anywhere from a few times to billions of times.

training loss

#основы

A metric representing a model's loss during a particular training iteration. For example, suppose the loss function is Mean Squared Error . Perhaps the training loss (the Mean Squared Error) for the 10th iteration is 2.2, and the training loss for the 100th iteration is 1.9.

A loss curve plots training loss versus the number of iterations. A loss curve provides the following hints about training:

• A downward slope implies that the model is improving.
• An upward slope implies that the model is getting worse.
• A flat slope implies that the model has reached convergence .

For example, the following somewhat idealized loss curve shows:

• A steep downward slope during the initial iterations, which implies rapid model improvement.
• A gradually flattening (but still downward) slope until close to the end of training, which implies continued model improvement at a somewhat slower pace then during the initial iterations.
• A flat slope towards the end of training, which suggests convergence.

Although training loss is important, see also generalization .

training-serving skew

#основы

The difference between a model's performance during training and that same model's performance during serving .

Обучающий набор

#основы

The subset of the dataset used to train a model .

Traditionally, examples in the dataset are divided into the following three distinct subsets:

• a training set
• a validation set
• a test set

Ideally, each example in the dataset should belong to only one of the preceding subsets. For example, a single example shouldn't belong to both the training set and the validation set.

true negative (TN)

#основы

An example in which the model correctly predicts the negative class . For example, the model infers that a particular email message is not spam , and that email message really is not spam .

true positive (TP)

#основы

An example in which the model correctly predicts the positive class . For example, the model infers that a particular email message is spam, and that email message really is spam.

true positive rate (TPR)

#основы

Synonym for recall . То есть:

$$\text{true positive rate} = \frac{\text{true positives}} {\text{true positives} + \text{false negatives}}$$

True positive rate is the y-axis in an ROC curve .

ты

underfitting

#основы

Producing a model with poor predictive ability because the model hasn't fully captured the complexity of the training data. Many problems can cause underfitting, including:

• Training on the wrong set of features .
• Training for too few epochs or at too low a learning rate .
• Training with too high a regularization rate .
• Providing too few hidden layers in a deep neural network.

unlabeled example

#основы

An example that contains features but no label . For example, the following table shows three unlabeled examples from a house valuation model, each with three features but no house value:

Количество спален	Количество ванных комнат	House age
3	2	15
2	1	72
4	2	34

In supervised machine learning , models train on labeled examples and make predictions on unlabeled examples .

In semi-supervised and unsupervised learning, unlabeled examples are used during training.

Contrast unlabeled example with labeled example .

машинное обучение без учителя

#clustering

#основы

Training a model to find patterns in a dataset, typically an unlabeled dataset.

The most common use of unsupervised machine learning is to cluster data into groups of similar examples. For example, an unsupervised machine learning algorithm can cluster songs based on various properties of the music. The resulting clusters can become an input to other machine learning algorithms (for example, to a music recommendation service). Clustering can help when useful labels are scarce or absent. For example, in domains such as anti-abuse and fraud, clusters can help humans better understand the data.

Contrast with supervised machine learning .

Нажмите на значок, чтобы просмотреть дополнительные примечания.

Another example of unsupervised machine learning is principal component analysis (PCA) . For example, applying PCA on a dataset containing the contents of millions of shopping carts might reveal that shopping carts containing lemons frequently also contain antacids.

---

В

Проверка

#основы

The initial evaluation of a model's quality. Validation checks the quality of a model's predictions against the validation set .

Because the validation set differs from the training set , validation helps guard against overfitting .

You might think of evaluating the model against the validation set as the first round of testing and evaluating the model against the test set as the second round of testing.

validation loss

#основы

A metric representing a model's loss on the validation set during a particular iteration of training.

See also generalization curve .

validation set

#основы

The subset of the dataset that performs initial evaluation against a trained model . Typically, you evaluate the trained model against the validation set several times before evaluating the model against the test set .

Traditionally, you divide the examples in the dataset into the following three distinct subsets:

• a training set
• a validation set
• a test set

Ideally, each example in the dataset should belong to only one of the preceding subsets. For example, a single example shouldn't belong to both the training set and the validation set.

Вт

масса

#основы

A value that a model multiplies by another value. Training is the process of determining a model's ideal weights; inference is the process of using those learned weights to make predictions.

Click the icon to see an example of weights in a linear model.

Imagine a linear model with two features. Suppose that training determines the following weights (and bias ):

• The bias, b, has a value of 2.2
• The weight, w ₁ associated with one feature is 1.5.
• The weight, w ₂ associated with the other feature is 0.4.

Now imagine an example with the following feature values:

• The value of one feature, x ₁ , is 6.
• The value of the other feature, x ₂ , is 10.

This linear model uses the following formula to generate a prediction, y':

$$y' = b + w_1x_1 + w_2x_2$$

Therefore, the prediction is:

$$y' = 2.2 + (1.5)(6) + (0.4)(10) = 15.2$$

If a weight is 0, then the corresponding feature doesn't contribute to the model. For example, if w ₁ is 0, then the value of x ₁ is irrelevant.

---

weighted sum

#основы

The sum of all the relevant input values multiplied by their corresponding weights. For example, suppose the relevant inputs consist of the following:

input value	input weight
2	-1,3
-1	0,6
3	0,4

The weighted sum is therefore:

weighted sum = (2)(-1.3) + (-1)(0.6) + (3)(0.4) = -2.0

A weighted sum is the input argument to an activation function .

З

Z-score normalization

#основы

A scaling technique that replaces a raw feature value with a floating-point value representing the number of standard deviations from that feature's mean. For example, consider a feature whose mean is 800 and whose standard deviation is 100. The following table shows how Z-score normalization would map the raw value to its Z-score:

Raw value	Z-score
800	0
950	+1,5
575	-2,25

The machine learning model then trains on the Z-scores for that feature instead of on the raw values.