Verifica le tue conoscenze

Le seguenti domande ti aiutano a consolidare la tua comprensione dei concetti di base dell'apprendimento automatico.

Efficacia predittiva

I modelli ML supervisionati vengono addestrati utilizzando set di dati con esempi etichettati. Il modello impara a prevedere l'etichetta dalle caratteristiche. Tuttavia, non tutte le funzionalità di un set di dati hanno un potere predittivo. In alcuni casi, solo alcune funzionalità fungono da predittori dell'etichetta. Nel set di dati riportato di seguito, utilizza il prezzo come etichetta e le colonne rimanenti come caratteristiche.

Un esempio etichettato di attributi di un'automobile.

Quali tre caratteristiche ritieni siano probabilmente i migliori indicatori del prezzo di un'auto?
Colore, altezza, marca_modello.
Make_model, year, miles.
Misure_pneumatici, passo, anno.
Miles, gearbox, make_model.

Apprendimento supervisionato e non supervisionato

A seconda del problema, utilizzerai un approccio supervisionato o non supervisionato. Ad esempio, se conosci in anticipo il valore o la categoria che vuoi prevedere, dovresti utilizzare l'apprendimento supervisionato. Tuttavia, se vuoi sapere se il tuo set di dati contiene segmentazioni o raggruppamenti di esempi correlati, devi utilizzare l'apprendimento non supervisionato.

Supponiamo di avere un set di dati di utenti per un sito web di shopping online contenente le seguenti colonne:

Un'immagine di una riga di attributi dei clienti.

Se volessi comprendere i tipi di utenti che visitano il sito, utilizzeresti l'apprendimento supervisionato o non supervisionato?
Apprendimento supervisionato perché sto cercando di prevedere a quale classe appartiene un utente.
Apprendimento non supervisionato.

Supponiamo di avere un set di dati sul consumo energetico delle case con le seguenti colonne:

Un'immagine di una riga di attributi della casa.

Quale tipo di ML useresti per prevedere i kilowattora utilizzati ogni anno per una casa di nuova costruzione?
Apprendimento supervisionato.
Apprendimento non supervisionato.

Supponiamo di avere un set di dati sui voli con le seguenti colonne:

Un'immagine di una riga di dati di volo.

Se volessi prevedere il costo di un biglietto dell'autobus, useresti la regressione o la classificazione?
Classificazione
Regressione
In base al set di dati, puoi addestrare un modello di classificazione per classificare il costo di un biglietto dell'autobus come "alto", "medio" o "basso"?
No. Non è possibile creare un modello di classificazione. I valori coach_ticket_cost sono numerici e non categorici.
Sì, ma prima dobbiamo convertire i valori numerici nella colonna coach_ticket_cost in valori categorici.
No. I modelli di classificazione prevedono solo due categorie, ad esempio spam o not_spam. Questo modello dovrebbe prevedere tre categorie.

Addestramento e valutazione

Dopo aver addestrato un modello, lo valutiamo utilizzando un set di dati con esempi etichettati e confrontiamo il valore previsto del modello con il valore effettivo dell'etichetta.

Seleziona le due risposte migliori per la domanda.

Se le previsioni del modello sono molto lontane dalla realtà, cosa puoi fare per migliorarle?
Addestra di nuovo il modello utilizzando un set di dati più grande e diversificato.
Addestra nuovamente il modello, ma utilizza solo le funzionalità che ritieni abbiano la maggiore capacità predittiva per l'etichetta.
Non puoi correggere un modello le cui previsioni sono molto lontane.
Prova un approccio di addestramento diverso. Ad esempio, se hai utilizzato un approccio supervisionato, prova un approccio non supervisionato.

Ora puoi fare il passo successivo nel tuo percorso di ML:

  • People + AI Guidebook. Se stai cercando un insieme di metodi, best practice ed esempi presentati da Googler, esperti del settore e ricercatori accademici per l'utilizzo del machine learning.

  • Problem Framing. Se stai cercando un approccio testato sul campo per creare modelli ML ed evitare i problemi comuni lungo il percorso.

  • Machine Learning Crash Course. Se sei pronto per un approccio pratico e approfondito per scoprire di più sul machine learning.