Treść książki
Przejdź do opcji czytnikaPrzejdź do nawigacjiPrzejdź do informacjiPrzejdź do stopki
Ocenianiemodelu
15
rośniezwiekiem,aletylkodopewnegopułapu.Bardziejzaawansowanetechnikire-
gresjipozwoliłybyzbudowaćbardziejzłożonemodele,któreuwzględniająteczynniki.
Omówimyjewrozdziale4.
Technikiuczeniasięrelacjipodobieństwa
Technikiuczeniasięrelacjipodobieństwawykorzystująalgorytmyuczeniamaszynowe-
go,bypomócwidentyfikowaniuwspólnychwzorcówwdanych.Czasaminiewiemy,
codokładniechcemyodkryć,więcpozwalamyalgorytmowinazbadaniezbiorudanych
wposzukiwaniupodobieństw,którychniebraliśmyjeszczepoduwagę.
Wtymrozdzialezostałyjużnadmienionedwasposobyuczeniasięrelacjipodo-
bieństwa.Technikiregułasocjacyjnych,któreomówimywsposóbbardziejszczegó-
łowywrozdziale11,umożliwiająrozwiązywanieproblemówzbliżonychdoproblemu
koszykazakupów,czyliustalania,jakieproduktysączęstokupowanerazem.Techniki
klastrowania,któreomówimywsposóbbardziejszczegółowywrozdziale12,umożli-
wiajągrupowanieobserwacjiwklastrywoparciuoichpodobnecechy.
Regułyasocjacyjneiklastrowanietoprzykładynienadzorowanegouczeniasięrela-
cjipodobieństwa.Możnarównieżuczyćrelacjipodobieństwawsposóbnadzorowany.
Naprzykład,algorytmynajbliższegosąsiedztwasłużądoprzypisywaniaobserwacjom
etykietnapodstawieetykietnajbardziejpodobnychobserwacjiwzbiorzedanychtre-
ningowych.Dodatkoweinformacjeprzedstawimywrozdziale6.
Ocenianiemodelu
Przedprzejściemdoomówieniakonkretnychalgorytmówuczeniamaszynowegowarto
miećpewnepojęcie,wjakisposóbocenianabędziewydajnośćalgorytmów.Tentemat
omówimydużobardziejszczegółowowdalszejczęściksiążki,terazjedyniezarysujemy
ogólnąkoncepcję.Analizującposzczególnetechnikiuczeniamaszynowego,będziemy
omawiaćocenianiejegowydajnościnazbiorzedanych.Ponadtorozdział9zawierakom-
pleksoweomówienieocenywydajnościmodelu.
Naraziewystarczymiećświadomość,żeróżnealgorytmyróżnieradząsobiezroz-
wiązywaniempewnychproblemów.Wybórodpowiedniejtechnikizależyodnatury
zbiorudanychinaturyalgorytmu.
Wświecieuczenianadzorowanegomożemyocenićwydajnośćalgorytmuwoparciu
oliczbęi/lubwielkośćpopełnianychprzezniegobłędów.Wprzypadkuproblemów
klasyfikacjiczęstosprawdzamy,jakczęstoprocentowoalgorytmnieprawidłowoprze-
widujekategorię,czylitzw.współczynnikbłędnejklasyfikacji.Analogiczniemożemy
sprawdzaćprocentpredykcji,którebyłyprawidłowe,czylitzw.dokładnośćalgorytmu.
Wprzypadkuproblemówregresjiczęstosprawdzamyróżnicęmiędzywartościamiprze-
widzianymiprzezalgorytmarzeczywistymi.
