Проверьте свое понимание

Следующие вопросы помогут вам закрепить понимание основных концепций машинного обучения.

Предсказательная сила

Контролируемые модели машинного обучения обучаются с использованием наборов данных с маркированными примерами. Модель учится предсказывать метку из признаков. Однако не каждый признак в наборе данных имеет предсказательную силу. В некоторых случаях только несколько признаков выступают в качестве предикторов метки. В наборе данных ниже используйте цену в качестве метки, а оставшиеся столбцы — в качестве признаков.

Маркированный пример атрибутов автомобиля.

Какие три характеристики, по вашему мнению, являются наиболее вероятными факторами, определяющими цену автомобиля?
Марка_модель, год, пробег.
Марка/модель автомобиля, год выпуска и пробег, скорее всего, будут одними из самых надежных факторов, определяющих его цену.
Цвет, высота, марка_модель.
Высота и цвет автомобиля не являются надежными факторами, определяющими его цену.
Мили, коробка передач, марка_модель.
Коробка передач не является основным фактором, влияющим на цену.
Размер_шин, колесная_база, год.
Размер шин и колесная база не являются надежными факторами, влияющими на цену автомобиля.

Контролируемое и неконтролируемое обучение

В зависимости от проблемы вы будете использовать контролируемый или неконтролируемый подход. Например, если вы заранее знаете значение или категорию, которую хотите предсказать, вы используете контролируемое обучение. Однако, если вы хотите узнать, содержит ли ваш набор данных какие-либо сегментации или группировки связанных примеров, вы используете неконтролируемое обучение.

Предположим, у вас есть набор данных пользователей сайта интернет-магазина, содержащий следующие столбцы:

Изображение ряда атрибутов клиента.

Если бы вы хотели понять типы пользователей, посещающих сайт, вы бы использовали контролируемое или неконтролируемое обучение?
Неконтролируемое обучение.
Поскольку мы хотим, чтобы модель кластеризовала группы связанных клиентов, мы бы использовали неконтролируемое обучение. После того, как модель кластеризовала пользователей, мы бы создали собственные названия для каждого кластера, например, «искатели скидок», «охотники за сделками», «серферы», «лояльные» и «странники».
Контролируемое обучение, поскольку я пытаюсь предсказать, к какому классу принадлежит пользователь.
В контролируемом обучении набор данных должен содержать метку, которую вы пытаетесь предсказать. В наборе данных нет метки, которая относится к категории пользователя.

Предположим, у вас есть набор данных по потреблению энергии в домах со следующими столбцами:

Изображение ряда домашних атрибутов.

Какой тип МО вы бы использовали для прогнозирования количества киловатт-часов, потребляемых в год для недавно построенного дома?
Контролируемое обучение.
Контролируемое обучение тренируется на маркированных примерах. В этом наборе данных «киловатт-часы, используемые в год» будет меткой, поскольку это значение, которое вы хотите, чтобы модель предсказывала. Признаками будут «квадратные футы», «местоположение» и «год постройки».
Неконтролируемое обучение.
Неконтролируемое обучение использует немаркированные примеры. В этом примере «киловатт-часы, используемые в год» будет меткой, поскольку это значение, которое вы хотите, чтобы модель предсказывала.

Предположим, у вас есть набор данных о полетах со следующими столбцами:

Изображение ряда данных полета.

Если бы вы хотели предсказать стоимость билета на самолет, что бы вы использовали: регрессию или классификацию?
Регрессия
Выходными данными регрессионной модели являются числовые значения.
Классификация
Выход модели классификации — это дискретное значение, обычно слово. В этом случае стоимость билета на самолет — числовое значение.
Можете ли вы на основе этого набора данных обучить модель классификации для классификации стоимости авиабилета как «высокой», «средней» или «низкой»?
Да, но сначала нам нужно преобразовать числовые значения в столбце airplane_ticket_cost в категориальные значения.
Можно создать модель классификации из набора данных. Вы можете сделать что-то вроде следующего:
  1. Найдите среднюю стоимость билета из аэропорта отправления в аэропорт назначения.
  2. Определите пороговые значения, которые будут представлять собой «высокий», «средний» и «низкий».
  3. Сравните прогнозируемую стоимость с пороговыми значениями и выведите категорию, к которой относится значение.
Нет. Создать модель классификации невозможно. Значения airplane_ticket_cost являются числовыми, а не категориальными.
Приложив немного усилий, вы сможете создать модель классификации.
Нет. Модели классификации предсказывают только две категории, например spam или not_spam . Эта модель должна предсказывать три категории.
Модели классификации могут предсказывать несколько категорий. Они называются моделями многоклассовой классификации.

Обучение и оценка

После обучения модели мы оцениваем ее, используя набор данных с маркированными примерами, и сравниваем прогнозируемое значение модели с фактическим значением маркировки.

Выберите два лучших ответа на вопрос.

Если прогнозы модели далеки от действительности, что можно сделать, чтобы их улучшить?
Переобучите модель, но используйте только те признаки, которые, по вашему мнению, имеют наибольшую предсказательную силу для метки.
Переобучение модели с меньшим количеством признаков, но с большей предсказательной силой, может привести к созданию модели, которая будет делать более точные прогнозы.
Невозможно исправить модель, прогнозы которой далеки от истины.
Можно исправить модель, чьи прогнозы неверны. Большинству моделей требуется несколько раундов обучения, прежде чем они начнут делать полезные прогнозы.
Переобучите модель, используя более крупный и разнообразный набор данных.
Модели, обученные на наборах данных с большим количеством примеров и более широким диапазоном значений, могут давать более точные прогнозы, поскольку модель имеет более обобщенное решение для взаимосвязи между признаками и меткой.
Попробуйте другой подход к обучению. Например, если вы использовали контролируемый подход, попробуйте неконтролируемый подход.
Другой подход к обучению не даст лучших прогнозов.

Теперь вы готовы сделать следующий шаг в своем путешествии в области МО:

  • Руководство по использованию машинного обучения (Multiple + AI Guidebook) . Если вы ищете набор методов, передовых практик и примеров, представленных сотрудниками Google, отраслевыми экспертами и академическими исследованиями по использованию машинного обучения.

  • Постановка проблемы . Если вы ищете проверенный на практике подход к созданию моделей МО и избегаете распространенных ошибок на этом пути.

  • Интенсивный курс по машинному обучению . Если вы готовы к глубокому и практическому подходу к изучению машинного обучения.

Назад
Контролируемое обучение