ការរៀនម៉ាស៊ីនដោយគ្មាន Python, Anaconda និងសត្វល្មូនផ្សេងទៀត។

អត់ទេ ពិតណាស់ ខ្ញុំមិនធ្ងន់ធ្ងរទេ។ ត្រូវតែមានដែនកំណត់ចំពោះវិសាលភាពដែលវាអាចធ្វើទៅបានដើម្បីសម្រួលប្រធានបទ។ ប៉ុន្តែសម្រាប់ដំណាក់កាលដំបូង ការយល់ដឹងអំពីគោលគំនិតជាមូលដ្ឋាន និង "បញ្ចូល" ប្រធានបទយ៉ាងឆាប់រហ័ស វាអាចទទួលយកបាន។ យើងនឹងពិភាក្សាអំពីរបៀបដាក់ឈ្មោះសម្ភារៈនេះឱ្យបានត្រឹមត្រូវ (ជម្រើស៖ "ការរៀនម៉ាស៊ីនសម្រាប់អត់ចេះសោះ" "ការវិភាគទិន្នន័យពីក្រណាត់កន្ទបទារក" "ក្បួនដោះស្រាយសម្រាប់កូនតូច") នៅចុងបញ្ចប់។

ដល់ចំណុច។ បានសរសេរកម្មវិធីកម្មវិធីជាច្រើននៅក្នុង MS Excel សម្រាប់ការមើលឃើញ និងតំណាងឱ្យការមើលឃើញនៃដំណើរការដែលកើតឡើងនៅក្នុងវិធីសាស្រ្តរៀនម៉ាស៊ីនផ្សេងគ្នានៅពេលវិភាគទិន្នន័យ។ ការមើលឃើញគឺជាការជឿបន្ទាប់ពីទាំងអស់ ដូចដែលអ្នកកាន់នៃវប្បធម៌បាននិយាយថាដែលបានបង្កើតវិធីសាស្រ្តទាំងនេះភាគច្រើន (ដោយវិធីនេះមិនមែនទាំងអស់នៃពួកគេទេ។ "ម៉ាស៊ីនវ៉ិចទ័រគាំទ្រ" ដ៏មានឥទ្ធិពលបំផុតឬ SVM ម៉ាស៊ីនវ៉ិចទ័រគាំទ្រគឺជាការច្នៃប្រឌិតរបស់ ជនរួមជាតិរបស់យើង វ្ល៉ាឌីមៀ វ៉ាបនីក វិទ្យាស្ថានគ្រប់គ្រងទីក្រុងមូស្គូ ឆ្នាំ 1963 ដោយវិធីនេះ! ទោះយ៉ាងណាក៏ដោយ ឥឡូវនេះគាត់បង្រៀន និងធ្វើការនៅសហរដ្ឋអាមេរិក)។

ឯកសារបីសម្រាប់ពិនិត្យ

1. K មានន័យថា ចង្កោម

បញ្ហានៃប្រភេទនេះសំដៅទៅលើ "ការរៀនដែលគ្មានការត្រួតពិនិត្យ" នៅពេលដែលយើងត្រូវបែងចែកទិន្នន័យដំបូងទៅជាចំនួនជាក់លាក់នៃប្រភេទដែលបានដឹងជាមុន ប៉ុន្តែយើងមិនមានចំនួន "ចម្លើយត្រឹមត្រូវ" ទេ យើងត្រូវដកវាចេញពីទិន្នន័យដោយខ្លួនឯង . បញ្ហាបុរាណជាមូលដ្ឋាននៃការស្វែងរកប្រភេទរងនៃផ្កា iris (Ronald Fisher, 1936!) ដែលត្រូវបានគេចាត់ទុកថាជាសញ្ញាដំបូងនៃវិស័យចំណេះដឹងនេះគឺមានលក្ខណៈធម្មជាតិនេះ។

វិធីសាស្រ្តគឺសាមញ្ញណាស់។ យើងមានសំណុំវត្ថុតំណាងជាវ៉ិចទ័រ (សំណុំនៃលេខ N) ។ នៅក្នុង irises ទាំងនេះគឺជាសំណុំនៃលេខ 4 ដែលកំណត់លក្ខណៈនៃផ្កា: ប្រវែងនិងទទឹងនៃ lobes ខាងក្រៅនិងខាងក្នុងនៃ perianth រៀងគ្នា (ភ្នែករបស់ហ្វីសឆេរ - វិគីភីឌា) ម៉ែត្រ Cartesian ធម្មតាត្រូវបានជ្រើសរើសជាចម្ងាយ ឬរង្វាស់នៃភាពជិតរវាងវត្ថុ។

បន្ទាប់មក មជ្ឈមណ្ឌលចង្កោមត្រូវបានជ្រើសរើសដោយចៃដន្យ (ឬមិនចៃដន្យ សូមមើលខាងក្រោម) ហើយចម្ងាយពីវត្ថុនីមួយៗទៅមជ្ឈមណ្ឌលចង្កោមត្រូវបានគណនា។ វត្ថុនីមួយៗនៅជំហានធ្វើម្តងទៀតត្រូវបានសម្គាល់ថាជាកម្មសិទ្ធិរបស់មជ្ឈមណ្ឌលដែលនៅជិតបំផុត។ បន្ទាប់មកកណ្តាលនៃចង្កោមនីមួយៗត្រូវបានផ្ទេរទៅមធ្យមនព្វន្ធនៃកូអរដោនេនៃសមាជិករបស់វា (ដោយភាពស្រដៀងគ្នាជាមួយរូបវិទ្យាវាត្រូវបានគេហៅថា "កណ្តាលនៃម៉ាស់") ហើយនីតិវិធីត្រូវបានធ្វើម្តងទៀត។

ដំណើរ​ការ​បាន​ចូល​រួម​យ៉ាង​ឆាប់​រហ័ស។ នៅក្នុងរូបភាពជាពីរវិមាត្រវាមើលទៅដូចនេះ:

1. ការចែកចាយចៃដន្យដំបូងនៃចំនុចនៅលើយន្តហោះ និងចំនួនចង្កោម

2. បញ្ជាក់មជ្ឈមណ្ឌលចង្កោម និងកំណត់ចំណុចទៅចង្កោមរបស់ពួកគេ។

3. ការផ្ទេរកូអរដោណេនៃមជ្ឈមណ្ឌលចង្កោម គណនាឡើងវិញនូវភាពជាប់ទាក់ទងគ្នានៃចំណុច រហូតដល់មជ្ឈមណ្ឌលមានស្ថេរភាព។ គន្លងនៃមជ្ឈមណ្ឌលចង្កោមផ្លាស់ទីទៅទីតាំងចុងក្រោយរបស់វាអាចមើលឃើញ។

នៅពេលណាមួយ អ្នកអាចកំណត់មជ្ឈមណ្ឌលចង្កោមថ្មី (ដោយមិនបង្កើតការចែកចាយថ្មីនៃចំណុច!) ហើយឃើញថាដំណើរការបែងចែកមិនតែងតែមានភាពច្បាស់លាស់នោះទេ។ តាមគណិតវិទ្យា នេះមានន័យថាសម្រាប់មុខងារត្រូវបានធ្វើឱ្យប្រសើរ (ផលបូកនៃចម្ងាយការ៉េពីចំណុចទៅកណ្តាលនៃចង្កោមរបស់ពួកគេ) យើងរកឃើញមិនមែនជាសកលទេ ប៉ុន្តែជាអប្បបរមាក្នុងស្រុក។ បញ្ហានេះអាចត្រូវបានយកឈ្នះដោយជម្រើសមិនចៃដន្យនៃមជ្ឈមណ្ឌលចង្កោមដំបូង ឬដោយការរាប់បញ្ចូលមជ្ឈមណ្ឌលដែលអាចធ្វើទៅបាន (ជួនកាលវាមានអត្ថប្រយោជន៍ក្នុងការដាក់វាឱ្យត្រង់ចំនុចណាមួយ បន្ទាប់មកយ៉ាងហោចណាស់មានការធានាថាយើងនឹងមិនទទួលបានទទេ ចង្កោម)។ ក្នុងករណីណាក៏ដោយ សំណុំកំណត់តែងតែមានអប្បបរមា។

អ្នកអាចលេងជាមួយឯកសារនេះនៅតំណនេះ។ (កុំភ្លេចបើកការគាំទ្រម៉ាក្រូ។ ឯកសារត្រូវបានស្កេនរកមេរោគ)

ការពិពណ៌នាអំពីវិធីសាស្ត្រនៅលើវិគីភីឌា - k-មធ្យោបាយ

2. ការប៉ាន់ស្មានដោយពហុនាម និងការវិភាគទិន្នន័យ។ ការហ្វឹកហាត់ឡើងវិញ

អ្នកវិទ្យាសាស្ត្រដ៏គួរឱ្យកត់សម្គាល់ និងពេញនិយមនៃវិទ្យាសាស្ត្រទិន្នន័យ K.V. Vorontsov ពិពណ៌នាយ៉ាងខ្លីអំពីវិធីសាស្រ្តរៀនម៉ាស៊ីនថាជា "វិទ្យាសាស្រ្តនៃការគូរខ្សែកោងតាមចំនុច" ។ ក្នុង​ឧទាហរណ៍​នេះ យើង​នឹង​រក​ឃើញ​គំរូ​មួយ​ក្នុង​ទិន្នន័យ​ដោយ​ប្រើ​វិធី​ការ៉េ​តិច​បំផុត។

បច្ចេកទេសនៃការបែងចែកទិន្នន័យប្រភពទៅជា "ការបណ្តុះបណ្តាល" និង "ការគ្រប់គ្រង" ត្រូវបានបង្ហាញ ក៏ដូចជាបាតុភូតដូចជាការបណ្តុះបណ្តាលឡើងវិញ ឬ "ការកែតម្រូវឡើងវិញ" ទៅនឹងទិន្នន័យ។ ជាមួយនឹងការប៉ាន់ស្មានត្រឹមត្រូវ យើងនឹងមានកំហុសជាក់លាក់មួយលើទិន្នន័យបណ្តុះបណ្តាល និងកំហុសធំជាងបន្តិចលើទិន្នន័យត្រួតពិនិត្យ។ ប្រសិនបើមិនត្រឹមត្រូវ វាបណ្តាលឱ្យមានការកែតម្រូវយ៉ាងជាក់លាក់ចំពោះទិន្នន័យបណ្តុះបណ្តាល និងកំហុសដ៏ធំមួយលើទិន្នន័យសាកល្បង។

(វាគឺជាការពិតដែលគេស្គាល់ថាតាមរយៈចំណុច N មួយអាចគូរខ្សែកោងតែមួយនៃសញ្ញាបត្រ N-1th ហើយវិធីសាស្ត្រនេះនៅក្នុងករណីទូទៅមិនផ្តល់លទ្ធផលដែលចង់បាននោះទេ។ Lagrange interpolation polynomial នៅលើវិគីភីឌា)

1. កំណត់ការចែកចាយដំបូង

2. យើងបែងចែកចំណុចទៅជា "ការបណ្តុះបណ្តាល" និង "ការគ្រប់គ្រង" ក្នុងសមាមាត្រ 70 ទៅ 30 ។

3. យើងគូរខ្សែកោងប្រហាក់ប្រហែលតាមចំណុចហ្វឹកហាត់ យើងឃើញកំហុសដែលវាផ្តល់ឱ្យលើទិន្នន័យត្រួតពិនិត្យ

4. យើងគូរខ្សែកោងជាក់លាក់មួយតាមរយៈចំណុចហ្វឹកហាត់ ហើយយើងឃើញមានកំហុសដ៏ធំនៅលើទិន្នន័យត្រួតពិនិត្យ (និងសូន្យលើទិន្នន័យបណ្តុះបណ្តាល ប៉ុន្តែតើអ្វីទៅជាចំណុច?)

បង្ហាញជាការពិតគឺជាជម្រើសដ៏សាមញ្ញបំផុតជាមួយនឹងការបែងចែកតែមួយទៅក្នុងផ្នែករង "ការបណ្តុះបណ្តាល" និង "ការគ្រប់គ្រង" ក្នុងករណីទូទៅ នេះត្រូវបានធ្វើច្រើនដងសម្រាប់ការកែតម្រូវមេគុណដ៏ល្អបំផុត។

ឯកសារមាននៅទីនេះ ស្កេនដោយកំចាត់មេរោគ។ បើកដំណើរការម៉ាក្រូសម្រាប់ប្រតិបត្តិការត្រឹមត្រូវ។

3. ជម្រាលជម្រាល និងថាមវន្តនៃការផ្លាស់ប្តូរកំហុស

វានឹងមានករណី 4 វិមាត្រ និងតំរែតំរង់លីនេអ៊ែរ។ មេគុណ​តំរែតំរង់​លីនេអ៊ែរ​នឹង​ត្រូវ​បាន​កំណត់​ជា​ជំហាន​មួយ​ដោយ​ប្រើ​វិធី​ចុះ​ជម្រាល ដោយ​ដំបូង​មេគុណ​ទាំងអស់​គឺ​សូន្យ។ ក្រាហ្វដាច់ដោយឡែកបង្ហាញពីសក្ដានុពលនៃការកាត់បន្ថយកំហុស ដោយសារមេគុណត្រូវបានកែតម្រូវកាន់តែច្រើន និងត្រឹមត្រូវជាងមុន។ អាចមើលការព្យាករ 2 វិមាត្រទាំងបួន។

ប្រសិនបើអ្នកកំណត់ជំហានចុះជម្រាលធំពេក អ្នកអាចមើលឃើញថារាល់ពេលដែលយើងនឹងរំលងអប្បបរមា ហើយនឹងមកដល់លទ្ធផលក្នុងចំនួនជំហានកាន់តែច្រើន ទោះបីជានៅទីបញ្ចប់យើងនឹងនៅតែមកដល់ (លុះត្រាតែយើងពន្យារពេលជំហានចុះក្រោមផងដែរ ច្រើន - បន្ទាប់មកក្បួនដោះស្រាយនឹងទៅ "នៅក្នុង spades") ។ ហើយក្រាហ្វនៃកំហុសអាស្រ័យលើជំហាននៃការធ្វើម្តងទៀតនឹងមិនរលូនទេប៉ុន្តែ "កន្ត្រាក់" ។

1. បង្កើតទិន្នន័យ កំណត់ជំហានចុះជម្រាល

2. ជាមួយនឹងការជ្រើសរើសត្រឹមត្រូវនៃជំហានចុះជម្រាល យើងឈានដល់កម្រិតអប្បបរមាយ៉ាងរលូន និងឆាប់រហ័ស

3. ប្រសិនបើ​ជំហាន​ចុះ​ជម្រាល​ត្រូវ​បាន​ជ្រើសរើស​មិន​ត្រឹមត្រូវ យើង​ហួស​កម្រិត​អតិបរមា ក្រាហ្វ​កំហុស​គឺ "កន្ត្រាក់" ការ​រួម​គ្នា​ត្រូវ​ចំណាយ​ច្រើន​ជំហាន​ច្រើន​ជាង។

и

4. ប្រសិនបើយើងជ្រើសរើសជំហានចុះជម្រាលដោយមិនត្រឹមត្រូវទាំងស្រុង យើងផ្លាស់ទីឆ្ងាយពីអប្បបរមា

(ដើម្បី​បង្កើត​ដំណើរការ​ឡើងវិញ​ដោយ​ប្រើ​តម្លៃ​ជំហាន​ចុះ​ជម្រាល​ដែល​បង្ហាញ​ក្នុង​រូបភាព សូម​ធីក​ប្រអប់ “ទិន្នន័យ​យោង”)។

ឯកសារគឺនៅតំណនេះ អ្នកត្រូវបើកម៉ាក្រូ មិនមានមេរោគទេ។

យោង​តាម​សហគមន៍​ដែល​គោរព តើ​ភាព​សាមញ្ញ​បែប​នេះ និង​វិធីសាស្ត្រ​នៃ​ការ​បង្ហាញ​សម្ភារៈ​អាច​ទទួល​យក​បាន​ឬ​ទេ? តើវាសមនឹងការបកប្រែអត្ថបទទៅជាភាសាអង់គ្លេសទេ?

ប្រភព: www.habr.com