Testen Sie Ihr Wissen

Mit den folgenden Fragen können Sie Ihr Verständnis der wichtigsten ML-Konzepte festigen.

Prognosekraft

Bei überwachten ML-Modellen werden Datasets mit Labels verwendet. Das Modell lernt, das Label anhand der Features vorherzusagen. Allerdings hat nicht jedes Merkmal in einem Datensatz eine Vorhersagekraft. In einigen Fällen sind nur wenige Merkmale als Prädiktoren für das Label geeignet. Verwenden Sie im folgenden Dataset „price“ als Label und die übrigen Spalten als Features.

Ein Beispiel für Autoattribute mit Labels

Welche drei Merkmale sind Ihrer Meinung nach die größten Preisfaktoren für ein Auto?
Meilen, Getriebe, Marke_Modell
Farbe, Höhe, Marke_Modell
Reifengröße, Radstand, Jahr.
Marke_Modell, Jahr, Meilen

Supervisiertes und unüberwachtes Lernen

Je nach Problem verwenden Sie entweder einen überwachten oder einen unüberwachten Ansatz. Wenn Sie beispielsweise den Wert oder die Kategorie, die Sie vorhersagen möchten, bereits kennen, sollten Sie die Methode des überwachten Lernens verwenden. Wenn Sie jedoch wissen möchten, ob Ihr Datensatz Segmentierungen oder Gruppierungen ähnlicher Beispiele enthält, sollten Sie sich für das unüberwachte Lernen entscheiden.

Angenommen, Sie haben einen Datensatz mit Nutzern einer Online-Shopping-Website, der die folgenden Spalten enthält:

Ein Bild einer Zeile mit Kundenattributen.

Wenn Sie die Arten von Nutzern kennenlernen möchten, die die Website besuchen, würden Sie dann die Methode des überwachten oder des unüberwachten Lernens verwenden?
Supervised Learning, weil ich vorhersagen möchte, zu welcher Klasse ein Nutzer gehört.
Unbeaufsichtigtes Lernen

Angenommen, Sie haben einen Datensatz zur Energienutzung für Haushalte mit den folgenden Spalten:

Ein Bild einer Zeile mit Zuhause-Attributen.

Welche Art von ML würden Sie verwenden, um die pro Jahr verbrauchten Kilowattstunden für ein neu gebautes Haus vorherzusagen?
Unbeaufsichtigtes Lernen
Überwachtes Lernen

Angenommen, Sie haben einen Flugdatensatz mit den folgenden Spalten:

Ein Bild einer Zeile mit Flugdaten.

Wenn Sie die Kosten für ein Busticket vorhersagen möchten, würden Sie eine Regression oder Klassifizierung verwenden?
Klassifizierung
Regression
Könnten Sie anhand des Datasets ein Klassifizierungsmodell trainieren, um die Kosten eines Bustickets als „hoch“, „durchschnittlich“ oder „niedrig“ zu klassifizieren?
Nein. Es ist nicht möglich, ein Klassifizierungsmodell zu erstellen. Die coach_ticket_cost-Werte sind numerisch, nicht kategorisch.
Ja, aber wir müssen zuerst die numerischen Werte in der Spalte coach_ticket_cost in kategorische Werte umwandeln.
Nein. Klassifizierungsmodelle prognostizieren nur zwei Kategorien, z. B. spam oder not_spam. Dieses Modell muss drei Kategorien vorhersagen.

Training und Bewertung

Nachdem wir ein Modell trainiert haben, bewerten wir es mit einem Dataset mit gekennzeichneten Beispielen und vergleichen den vorhergesagten Wert des Modells mit dem tatsächlichen Wert des Labels.

Wählen Sie die beiden besten Antworten für die Frage aus.

Was könnten Sie tun, um die Vorhersagen des Modells zu verbessern, wenn sie weit von der Realität entfernt sind?
Trainieren Sie das Modell neu, verwenden Sie dabei aber nur die Merkmale, die Ihrer Meinung nach die größte Vorhersagekraft für das Label haben.
Sie können ein Modell, dessen Vorhersagen weit von der Realität entfernt sind, nicht korrigieren.
Probieren Sie einen anderen Trainingsansatz aus. Wenn Sie beispielsweise einen überwachten Ansatz verwendet haben, versuchen Sie es mit einem unüberwachten Ansatz.
Trainieren Sie das Modell mit einem größeren und vielfältigeren Datensatz neu.

Sie sind jetzt bereit für den nächsten Schritt auf Ihrem Weg zur ML:

  • People + AI Guidebook Hier finden Sie eine Reihe von Methoden, Best Practices und Beispielen, die von Google-Mitarbeitern, Branchenexperten und akademischen Forschern zur Verwendung von ML präsentiert wurden.

  • Problembeschreibung Wenn Sie nach einem praxiserprobten Ansatz zum Erstellen von ML-Modellen suchen und dabei häufige Fallstricke vermeiden möchten.

  • Crashkurs „Maschinelles Lernen“ Wenn Sie bereit sind, mehr über ML zu erfahren, und dabei einen detaillierten und praktischen Ansatz bevorzugen.