Днес ще обсъдим линейната регресия на контролираното машинно обучение. Първо, какво е контролирано машинно обучение?

„Контролираното обучение, известно още като контролирано машинно обучение, е подкатегория на „машинно обучение“ и „изкуствен интелект“. Дефинира се чрез използването на етикетирани набори от данни за обучение на алгоритми, които да класифицират данни или да предсказват точно резултатите” -IBM

Може да се раздели на два вида проблеми:

Ще говорим за линейна регресия. Използва се най-вече за прогнозиране на стойности и връзка между променливи. Когато целевата променлива, която се опитваме да предвидим, е непрекъсната, ние я наричаме регресия проблем.

Хипотеза:

Това е прогнозата за това как ще изглежда крайната крива след линейна регресия. Изчислява се по следния начин за една променлива:

theta i са параметри, параметризиращи пространството на линейно картографиране от X към Y (наричани също тегла). Сега нека да разгледаме какво е функция на разходите?

Функция на разходите:

По принцип ни казва тежестта на нашата грешка, т.е. колко лош е нашият модел при намирането на връзката между вход и изход.

Тук,

  1. J е функция на разходите
  2. y е действителната стойност.
  3. m е броят на примерите за обучение

И така, накратко, когато функцията на разходите намалява, можем да кажем, че моделът ще бъде по-точен.

За да минимизираме стойността на J, трябва да изберем определена стойност на тита. За тази цел използваме градиентно спускане.

Градиентно спускане:

Основната му цел е да се минимизира функцията на разходите с помощта на итерация. След като се намери минималната грешка, моделът избира най-добрите стойности на тита. Това вероятно ще доведе до хипотеза с най-добра тета стойност, което води до минимална грешка.

Степен на обучение α:

Ако α е твърде малък, градиентното спускане може да бъде бавно. Ако е твърде голям, градиентното спускане може да надхвърли минимума. Може да не успее да се сближи или дори да се размине. Следното изображение дава яснота на гореспоменатото:

  • -Това е всичко за днес, Приятно обучение!! Следващия път ще обсъждаме повече теми под контролирано машинно обучение. Използвах лекциите на Andrew Ng от coursera, за да съставя тази статия.
  • Благодарим ви, че прочетохте, обратната връзка винаги е добре дошла!