기계 학습 : 스포츠 토토 배트맨리즘 개요
2019 년 1 월 15 일Jason M. Pittman, D.Sc.
오신 것을 환영합니다! 이 일련의 블로그 게시물에서 저의 목표는 머신 러닝을 비난하는 것입니다. 중요성이 커지는 주제이며 많은 사람들을 위협하는 주제입니다. 나는 그것을 바꾸고 싶다.
최근에, 우리는기계 학습 : 의사 배트맨 스포츠 토토 배트맨 트리 이해 | 워싱턴 D.C. & 메릴랜드 지역 | 국회 의사당기계 학습의 기본 형태로. 이 시리즈가 계속됨에 따라 간단한 의사 결정 트리 프로그래밍 예를 안내해 드리겠습니다. 나는 또한 당신에게 수학을 보여주고 싶다.
그러나 미리 수령 해야하는 용어가 조금 더 있습니다. 예를 들어, 우리의 마지막기계 학습 : 의사 스포츠 토토 배트맨 사이트 트리가 다시 방문 | 국회 의사당 | 워싱턴 D.C. & 메릴랜드 지역, 우리가 보았던 의사 결정 트리는의 예입니다.감독스포츠 토토 배트맨리즘. 모든 머신 러닝은 그렇지 않습니다.감독되지 않은스포츠 토토 배트맨리즘도.
차이점은 무엇입니까? 왜 하나를 사용합니까? 다른 유형의 스포츠 토토 배트맨리즘이 있습니까? 알아 보자!
문제 유형
시작하기 가장 좋은 곳은 해결하려는 문제의 유형을 정의하는 것입니다. 머신 러닝 문제는 본질적으로 통계 문제라는 것을 기억합시다. 좋아, 우리는 통계가 두 가지에 대한 훌륭한 도구라는 것을 스포츠 토토 배트맨 있습니다. 데이터를 기반으로 예측하고 데이터 구성 또는 설명을 기반으로합니다.
따라서, 우리는 우리가 답변으로 예측을하고 있는지 또는 데이터를 정답으로 구성하는지 여부를 이해함으로써 기계 학습이 적용되는 문제의 유형을 분류 할 수 있습니다. 어쨌든 그것은 광범위한 테이크입니다.
또는 데이터에 따라 문제 유형을 체계 할 수 있습니다. 데이터는 어디에서 왔습니까? 데이터를 어떻게 소비합니까? 데이터에서 원하는 것은 무엇입니까? 이것들은 우리가 묻는 질문의 종류입니다. 예를 들어, 역사적 데이터를 사용하여 예측을 만들기 위해 구조화되지 않은 데이터를 소비하여 체계적인 구조를 생성하는 것과 다릅니다.
또한 데이터가 이산 (예 : 이진) 또는 연속 (예 : 실수) 인 한 데이터의 척도를 볼 수 있습니다. 일부 문제는 코스를 좋아하거나 좋아하지 않는 것과 같은 개별 입력 및 출력을 통해 정의 할 수 있습니다. 다른 문제로 인해 트렌드를 분석 할 때와 같은 지속적인 데이터가 필요합니다. 보다 공식적으로, 우리는 기계 학습이 예측, 조직, 설명, 순위 등과 같은 특정 유형의 문제를 다루고 있다고 말할 수 있습니다.
스포츠 토토 배트맨리즘 유형
다행히도 우리는 거의 모든 유형의 문제와 일치하는 스포츠 토토 배트맨리즘으로 가득 찬 도구 상자가 있습니다. 실제로, 많은 경우에 우리는 단일 유형의 문제로 잠재적으로 작동하는 여러 스포츠 토토 배트맨리즘과 다중 관계가 있습니다. 따라서 결과뿐만 아니라 최적의 결과를 원하기 때문에 적절한 스포츠 토토 배트맨리즘을 선택하는 것이 가장 중요합니다.
이러한 선을 따라 두 가지 일반적인 유형의 스포츠 토토 배트맨리즘 (분류기 및 회귀)에는 다양한 구현이 있습니다. 예를 들어, 의사 결정 트리, 순진한 베이 즈 분류기, 벡터 머신 및 신경망에서 분류기를 인스턴스화 할 수 있습니다. 또한 회귀는 선형, 비선형 또는 베이지안 회귀의 형태를 취할 수 있습니다. 그건 그렇고, 이것들은 단지 감독 된 스포츠 토토 배트맨리즘입니다. 이들은 감독되기 때문에이를 공급하기 위해 교육 데이터가 필요합니다. 따라서 이러한 스포츠 토토 배트맨리즘은 예측에 적합합니다.
반대로, 교육 데이터가없는 경우 감독되지 않은 스포츠 토토 배트맨리즘으로 전환 할 수 있습니다. 출력이 어떻게 보일지 알지 못하지만 감독되지 않은 의사 결정 트리, 클러스터링 스포츠 토토 배트맨리즘, 구성 요소 (요인) 분석 등의 스포츠 토토 배트맨리즘은 모호한 데이터를 이해할 수있는 모델로 구성하고 구조화하는 데 적합합니다..
앞으로, 우리는 프로그래밍 및 데이터 세트를 포함하여 이러한 모든 스포츠 토토 배트맨리즘을 자세히 살펴볼 것입니다. 친구들 - 우리는 예제 구역으로 향하고 있습니다!