ML-Terminologie
Wichtige Terminologien für maschinelles Lernen sind:
- Beziehungen
- Etiketten
- Merkmale
- Modelle
- Ausbildung
- Inferenz
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:
Algebra | Maschinelles Lernen |
y = ax + b | y = b + wx |
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:
Algebra | Maschinelles Lernen |
y = ein x + b | y = b + wx |
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.