Modelle des maschinellen Lernens werden zu drei wesentlichen Kategorien.
- Überwachtes Lernen
- Unbeaufsichtigtes Lernen
- Verstärkungslernen
1. Überwachtes Lernen: Der Trainingsdatensatz lernt aus dem gekennzeichneten Datensatz. Bringt den Modellen bei, die vorhergesagte Ausgabe zu finden.
Die Gewichtungen und Verzerrungen wirken sich auf das Lernen des Modells aus. Wenn die Gewichte und die Vorspannung nicht richtig angeordnet sind, trainiert das Modell nicht richtig und es kommt zu einer Über- oder Unteranpassung.
Es gibt zwei Anwendungen:
Einstufung: Eine Methode zur Aufteilung von Daten in bestimmte Kategorien. Ist die E-Mail beispielsweise Spam oder nicht?
Rückschritt: Eine Methode zur Modellierung der Auswirkung unabhängiger Options auf abhängige Options. Zum Beispiel, um den Hauspreis vorherzusagen.
Das folgende Bild hilft Ihnen zu definieren, welcher Bedarf an überwachtem oder unbeaufsichtigtem Lernen besteht.
2. Unüberwachtes Lernen: Entdecken Sie Strukturen und Muster im unbeschrifteten Datensatz ohne menschliches Eingreifen.
A. Clustering: Eine Methode zum Gruppieren ähnlicher Datenpunkte basierend auf ihren Attributen. Es gibt verschiedene Arten von Clustering-Algorithmen: Ok-Means-Clustering, hierarchisches Clustering und DBSCAN.
3. Lernen verstärken: Lernen Sie, auf der Grundlage von Suggestions – Belohnungen – zu handeln. Dieses Modell erwirbt Wissen durch einen iterativen Prozess von Versuch und Irrtum und verbessert so seine Leistung im Laufe der Zeit kontinuierlich.
