Μηχανική μάθηση: Διαφορά μεταξύ των αναθεωρήσεων
Περιεχόμενο που διαγράφηκε Περιεχόμενο που προστέθηκε
Dada (συζήτηση | συνεισφορές) επιμ., σύνδ. |
Dada (συζήτηση | συνεισφορές) +κατηγορίες προβλημάτων |
||
Γραμμή 7:
==Κατηγορίες==
[[File:Svm max sep hyperplane with margin.png|thumb|Παράδειγμα επιτηρούμενης μηχανικής μάθησης (ταξινόμησης) με χρήση ενός αλγορίθμου [[μηχανή διανυσμάτων υποστήριξης|μηχανής διανυσμάτων υποστήριξης]] (support vector machine). Τα δεδομένα ταξινομούνται σε δύο κλάσεις (μαύρες και λευκές κουκίδες) και στο συγκεκριμένο παράδειγμα διαχωρίζονται στον δισδιάστατο χώρο που ορίζεται από τις μεταβλητές Χ1 και Χ2 από ένα γραμμικό σύνορο.]]
Οι αλγόριθμοι μηχανικής μάθησης κατηγοριοποιούνται ανάλογα με το επιθυμητό αποτέλεσμα του αλγορίθμου. Οι συνηθέστερες κατηγορίες είναι οι εξής:
Γραμμή 14 ⟶ 16 :
Η ανάλυση των αλγόριθμων μηχανικής μάθησης είναι ένας κλάδος της [[στατιστική|στατιστικής]] που ονομάζεται [[θεωρία μάθησης]].
Μια άλλη συνηθισμένη κατηγοριοποίηση της μηχανικής μάθησης βασίζεται στο είδος του προβλήματος που μελετάται:
* Σε προβλήματα [[ταξινόμηση (στατιστική)|ταξινόμησης]] (classification), μελετώνται μοντέλα πρόβλεψης διακριτών κλάσεων ή κατηγοριών, συνήθως στα πλαίσια επιτηρούμενης μάθησης. Τα φίλτρα σπαμ ηλεκτρονικού ταχυδρομείου είναι ένα τυπικό παράδειγμα ταξινόμησης σε δύο διακριτές κλάσεις (αποδεκτό μήνυμα ή σπαμ).
* Σε προβλήματα [[παλινδρόμηση (στατιστική)|παλινδρόμησης]] (regression), εξετάζονται μοντέλα πρόβλεψης αριθμητικών [[ποσοτική μεταβλητή|ποσοτήτων]] που παίρνουν συνεχείς τιμές.
* Σε προβλήματα [[συσταδοποίηση|συσταδοποίησης]] (clustering) στόχος είναι η κατηγοριοποίηση των δεδομένων σε διαφορετικές λογικές ομάδες. Σε αντίθεση με την ταξινόμηση, τέτοιου τύπου προβλήματα ανήκουν στην μη επιτηρούμενη μηχανική μάθηση, καθώς οι ομάδες δεν είναι γνωστές εκ των προτέρων.
==Παραπομπές==
| |||