Контролируемое обучение

Задачи контролируемого обучения четко определены и могут применяться к множеству сценариев, например к выявлению спама или прогнозированию осадков.

Базовые концепции контролируемого обучения

Контролируемое машинное обучение основано на следующих основных концепциях:

  • Данные
  • Модель
  • Обучение
  • Оценка
  • Вывод

Данные

Данные являются движущей силой машинного обучения. Данные поступают в виде слов и чисел, хранящихся в таблицах, или в виде значений пикселей и сигналов, зафиксированных в изображениях и аудиофайлах. Мы храним связанные данные в наборах данных. Например, у нас может быть следующий набор данных:

  • Изображения кошек
  • Цены на жилье
  • Информация о погоде

Наборы данных состоят из отдельных примеров , содержащих функции и метки . Вы можете рассматривать пример как аналог одной строки в электронной таблице. Функции — это значения, которые контролируемая модель использует для прогнозирования метки. Метка — это «ответ» или значение, которое мы хотим, чтобы модель предсказывала. В модели погоды, которая предсказывает количество осадков, такими характеристиками могут быть широта , долгота , температура , влажность , облачность , направление ветра и атмосферное давление . На этикетке будет указано количество осадков .

Примеры, содержащие как функции, так и метку, называются помеченными примерами .

Два помеченных примера

Изображение-заполнитель.

Напротив, примеры без меток содержат функции, но не имеют меток. После создания модели она прогнозирует метку на основе функций.

Два немаркированных примера

Изображение-заполнитель.

Характеристики набора данных

Набор данных характеризуется своим размером и разнообразием. Размер указывает количество примеров. Разнообразие указывает на диапазон, охватываемый этими примерами. Хорошие наборы данных большие и очень разнообразные.

Некоторые наборы данных велики и разнообразны. Однако некоторые наборы данных велики, но имеют низкое разнообразие, а некоторые небольшие, но очень разнообразны. Другими словами, большой набор данных не гарантирует достаточного разнообразия, а очень разнообразный набор данных не гарантирует достаточного количества примеров.

Например, набор данных может содержать данные за 100 лет, но только за июль. Использование этого набора данных для прогнозирования количества осадков в январе приведет к плохим прогнозам. И наоборот, набор данных может охватывать только несколько лет, но содержать каждый месяц. Этот набор данных может давать плохие прогнозы, поскольку он не содержит достаточного количества лет для учета изменчивости.

Проверьте свое понимание

Какие атрибуты набора данных идеально было бы использовать для машинного обучения?
Большой размер/большое разнообразие
Большое количество примеров, охватывающих различные варианты использования, необходимо для того, чтобы система машинного обучения понимала основные закономерности в данных. Модель, обученная на этом типе набора данных, с большей вероятностью даст хорошие прогнозы по новым данным.
Большой размер/Низкое разнообразие
Модели машинного обучения хороши настолько, насколько хороши примеры, используемые для их обучения. Модель будет давать более плохие прогнозы на основе новых данных, на которых она никогда не обучалась.
Малый размер/большое разнообразие
Большинство моделей не могут найти надежные закономерности в небольшом наборе данных. Прогнозам будет не хватать уверенности, которую обеспечивает более крупный набор данных.
Малый размер/Низкое разнообразие
Если ваш набор данных небольшой и не имеет особых изменений, машинное обучение может оказаться бесполезным.

Набор данных также можно охарактеризовать количеством его признаков. Например, некоторые наборы погодных данных могут содержать сотни объектов, начиная от спутниковых изображений и заканчивая значениями облачности. Другие наборы данных могут содержать только три или четыре характеристики, такие как влажность, атмосферное давление и температура. Наборы данных с большим количеством функций могут помочь модели обнаружить дополнительные закономерности и сделать более точные прогнозы. Однако наборы данных с большим количеством объектов не всегда создают модели, которые дают более точные прогнозы, поскольку некоторые объекты могут не иметь причинно-следственной связи с меткой.

Модель

В обучении с учителем модель представляет собой сложный набор чисел, которые определяют математическую связь между конкретными шаблонами входных объектов и конкретными значениями выходных меток. Модель обнаруживает эти закономерности посредством обучения.

Обучение

Прежде чем контролируемая модель сможет делать прогнозы, ее необходимо обучить. Чтобы обучить модель, мы даем ей набор данных с помеченными примерами. Цель модели — найти лучшее решение для прогнозирования меток на основе функций. Модель находит лучшее решение, сравнивая его прогнозируемое значение с фактическим значением метки. На основе разницы между прогнозируемыми и фактическими значениями, определяемыми как потери , модель постепенно обновляет свое решение. Другими словами, модель изучает математическую взаимосвязь между признаками и меткой, чтобы можно было делать оптимальные прогнозы на основе невидимых данных.

Например, если модель предсказала 1.15 inches дождя, но фактическое значение составило .75 inches , модель модифицирует свое решение так, чтобы ее прогноз был ближе к .75 inches . После того, как модель рассмотрела каждый пример в наборе данных (в некоторых случаях несколько раз), она приходит к решению, которое в среднем дает наилучшие прогнозы для каждого из примеров.

Ниже показано обучение модели:

  1. Модель принимает один помеченный пример и дает прогноз.

    Изображение модели, делающей прогноз.

    Рисунок 1 . Модель машинного обучения, делающая прогноз на основе помеченного примера.

  2. Модель сравнивает прогнозируемое значение с фактическим значением и обновляет свое решение.

    Изображение модели, сравнивающее ее прогноз с фактическим значением.

    Фигура 2 . Модель машинного обучения обновляет прогнозируемое значение.

  3. Модель повторяет этот процесс для каждого помеченного примера в наборе данных.

    Изображение модели, повторяющей процесс ее прогнозирования, в сравнении с фактическим значением.

    Рисунок 3 . Модель ML обновляет свои прогнозы для каждого помеченного примера в наборе обучающих данных.

Таким образом, модель постепенно усваивает правильную связь между функциями и меткой. Это постепенное понимание также является причиной того, почему большие и разнообразные наборы данных создают лучшую модель. Модель получила больше данных с более широким диапазоном значений и уточнила понимание взаимосвязи между функциями и меткой.

Во время обучения специалисты по машинному обучению могут вносить небольшие корректировки в конфигурации и функции, которые модель использует для прогнозирования. Например, некоторые функции обладают большей предсказательной силой, чем другие. Таким образом, специалисты по машинному обучению могут выбирать, какие функции модель будет использовать во время обучения. Например, предположим, что набор данных о погоде содержит функцию time_of_day . В этом случае специалист по машинному обучению может добавить или удалить time_of_day во время обучения, чтобы увидеть, делает ли модель более точные прогнозы с ним или без него.

Оценка

Мы оцениваем обученную модель, чтобы определить, насколько хорошо она обучена. Когда мы оцениваем модель, мы используем помеченный набор данных, но мы сообщаем модели только функции набора данных. Затем мы сравниваем прогнозы модели с истинными значениями метки.

Изображение, показывающее обученную модель, прогнозы которой сравниваются с фактическими значениями.

Рисунок 4 . Оценка модели ML путем сравнения ее прогнозов с фактическими значениями.

В зависимости от прогнозов модели мы можем провести дополнительное обучение и оценку перед развертыванием модели в реальном приложении.

Проверьте свое понимание

Почему модель необходимо обучать, прежде чем она сможет делать прогнозы?
Модель необходимо обучить, чтобы изучить математическую взаимосвязь между функциями и меткой в ​​наборе данных.
Модель не нуждается в обучении. Модели доступны на большинстве компьютеров.
Модель необходимо обучить, чтобы ей не требовались данные для прогнозирования.

Вывод

Как только мы будем удовлетворены результатами оценки модели, мы можем использовать ее для прогнозирования, называемого умозаключением , на неразмеченных примерах. В примере с погодным приложением мы предоставим модели текущие погодные условия, такие как температура, атмосферное давление и относительная влажность, и она спрогнозирует количество осадков.