Zdefiniuj problem

Począwszy od pierwszego kroku, chcesz zdefiniować problem, który model powinien rozwiązać, rozumiejąc:

• Jakie powinny być dane wyjściowe modelu.
• Jakiego typu zadanie uczenia maszynowego stosujesz.
• Jakie kryteria sprawiają, że model jest skuteczny.

W zależności od posiadanych danych i oczekiwanych danych wyjściowych modelu można zidentyfikować zadanie uczenia maszynowego. Zadanie określa typy algorytmów, których można użyć do trenowania modelu.

Oto niektóre typowe zadania uczenia maszynowego:

1. Klasyfikacja: Przewiduj wartość kategorialną.
2. Regresja: przewidywanie wartości liczbowej.
3. Prognozowanie szeregów czasowych: przewidywanie przyszłych wartości liczbowych na podstawie danych szeregów czasowych.
4. Wizja komputerowa: klasyfikuj obrazy lub wykrywaj obiekty na obrazach.
5. Przetwarzanie języka naturalnego (NLP): wyodrębnianie szczegółowych informacji z tekstu.

Aby wytrenować model, masz zestaw algorytmów, których można użyć, w zależności od zadania, które chcesz wykonać. Aby ocenić model, możesz obliczyć metryki wydajności, takie jak dokładność lub precyzja. Dostępne metryki zależą również od zadania, które musi wykonać model, i pomagają w podjęciu decyzji, czy model skutecznie realizuje swoje zadanie.

Poznaj przykład

Rozważ scenariusz, w którym chcesz określić, czy pacjenci mają cukrzycę. Problem, który próbujesz rozwiązać, i typ dostępnych danych określają, które zadanie uczenia maszynowego wybierzesz. W takim przypadku dostępne dane są innymi danymi zdrowotnymi pochodzącymi od pacjentów. Możemy przedstawić dane wyjściowe, które chcemy, jako informacje kategorialne, że pacjent ma cukrzycę albo jej nie ma. W związku z tym zadanie uczenia maszynowego to klasyfikacja.

Zrozumienie całego procesu przed rozpoczęciem daje możliwość mapowania decyzji, które należy podjąć, aby zaprojektować pomyślne rozwiązanie do uczenia maszynowego. Poniżej przedstawiono diagram przedstawiający jeden ze sposobów podejścia do problemu identyfikowania cukrzycy u pacjenta. Na diagramie dane są przygotowane, podzielone i wytrenowane przy użyciu określonych algorytmów. Następnie model jest oceniany pod kątem jakości.

1. Załaduj dane: Zaimportuj i sprawdź zestaw danych.
2. Wstępnie przetwórz dane: normalizacja i czyszczenie dla zachowania spójności.
3. Podziel dane: rozdziel je na zestawy treningowe i testowe.
4. Wybierz model: wybierz i skonfiguruj algorytm.
5. Trenowanie modelu: uczenie się wzorców na podstawie danych treningowych.
6. Oceń model: generowanie przewidywań na danych testowych.
7. Oceń: oblicz metryki wydajności.

Trenowanie modelu uczenia maszynowego jest często procesem iteracyjnym, w którym wykonuje się poszczególne kroki wielokrotnie w celu znalezienia najlepszego modelu. Następnie przeanalizujmy proces przygotowywania danych na potrzeby tworzenia rozwiązania do uczenia maszynowego.