Μηχανική μάθηση: Διαφορά μεταξύ των αναθεωρήσεων
Περιεχόμενο που διαγράφηκε Περιεχόμενο που προστέθηκε
Dada (συζήτηση | συνεισφορές) +κατηγορίες προβλημάτων |
Dada (συζήτηση | συνεισφορές) |
||
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
Οι αλγόριθμοι μηχανικής μάθησης κατηγοριοποιούνται ανάλογα με το επιθυμητό αποτέλεσμα του αλγορίθμου. Οι συνηθέστερες κατηγορίες είναι οι εξής:
Γραμμή 20:
* 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==
|