什么是学习机器？

据说一台机器从某些类任务中学习过去的经验（数据输入），如果它在给定任务中的性能随着经验而提高。

 

监督学习：

监督学习是指模型在标记数据集上接受培训。标记数据集是具有输入和输出参数的数据集。在这种类型的学习中，训练和验证数据集都标记为如下图所示。

 

以上两个数据都标有数据集 -

 

图A：它是购物商店的数据集，用于预测客户是否会根据他/她的性别，年龄和工资购买正在考虑的特定产品。

输入：性别，年龄，工资

输出：购买，即0或1; 1表示客户将购买，0表示客户不会购买。

图B：它是一个气象数据集，用于根据不同参数预测风速。

输入：露点，温度，压力，相对湿度，风向

输出：风速

 

Ť 下雨的系统：

当训练模型，数据通常划分为80:20即80％作为训练数据的比率和休息作为测试数据。在训练数据中，我们为80％的数据提供输入和输出。该模型仅从训练数据中学习。我们使用不同的机器学习算法（我们将在下一篇文章中详细讨论）来构建我们的模型。通过学习，这意味着模型将构建自己的逻辑。

一旦模型准备好，那么最好进行测试。在测试时，输入是从模型以前从未见过的剩余20％数据中提供的，模型将预测某些值，我们将其与实际输出进行比较并计算准确度。

 

监督学习的类型：

 

分类：它是一种监督学习任务，其中输出具有已定义的标签（离散值）。例如，在上图A中，输出 - 已购买已定义标签，即0或1; 1表示客户将购买，0表示客户不会购买。这里的目标是预测属于特定类的离散值并基于准确度进行评估。

它可以是二进制或多类分类。在二进制分类中，模型预测为0或1; 是或否，但在多类分类的情况下，模型预测多个类。

示例： Gmail会对多个类（如社交，促销，更新，论坛）中的邮件进行分类。

回归：这是一项监督学习任务，其中输出具有连续值。

上图中的示例图B，输出 - 风速没有任何离散值，但在特定范围内是连续的。这里的目标是预测一个与我们的模型可以更接近实际输出值的值，然后通过计算误差值来完成评估。误差越小，回归模型的准确性越高。

 

监督学习算法的示例：

 

线性回归

最近的邻居

高斯朴素贝叶斯

决策树

支持向量机（SVM）

随机森林