ML-Terminologie

Beziehungen

Systeme für maschinelles Lernen verwenden Beziehungen zwischen Eingaben , um Vorhersagen zu erstellen .

In der Algebra wird eine Beziehung oft geschrieben als y = ax + b :

• y ist das Label, das wir vorhersagen möchten
• a ist die Steigung der Geraden
• x sind die Eingabewerte
• b ist der Schnittpunkt

Mit ML wird eine Beziehung geschrieben als y = b + wx :

• y ist das Label, das wir vorhersagen möchten
• w ist das Gewicht (die Steigung)
• x sind die Merkmale (Eingabewerte)
• b ist der Schnittpunkt

Labels für maschinelles Lernen

In der Terminologie des maschinellen Lernens ist das Label das, was wir vorhersagen möchten .

Es ist wie das y in einem linearen Diagramm:

Funktionen für maschinelles Lernen

In der Terminologie des maschinellen Lernens sind die Features die Eingabe .

Sie sind wie die x -Werte in einem linearen Diagramm:

Manchmal kann es viele Merkmale (Eingabewerte) mit unterschiedlichen Gewichtungen geben:

y = _{b +} w1x1 + _w2x2 + _w3x3 + _w4x4 _ _{_ _} _ _{_}

Modelle für maschinelles Lernen

Ein Modell definiert die Beziehung zwischen dem Label (y) und den Merkmalen (x).

Es gibt drei Phasen im Leben eines Modells:

• Datensammlung
• Ausbildung
• Inferenz

Maschinelles Lernen

Das Ziel des Trainings ist es, ein Modell zu erstellen, das eine Frage beantworten kann. Was ist der erwartete Preis für ein Haus?

Machine-Learning-Inferenz

Inferenz ist, wenn das trainierte Modell verwendet wird, um Werte anhand von Live-Daten abzuleiten (vorherzusagen). Wie das Modell in Produktion zu bringen.