पाइथन, एनाकोन्डा र अन्य सरीसृपहरू बिना मेसिन शिक्षा

होइन, निस्सन्देह, म गम्भीर छैन। कुनै पनि विषयलाई सरल बनाउन सक्ने हदसम्मको सीमा हुनुपर्छ। तर पहिलो चरणहरूको लागि, आधारभूत अवधारणाहरू बुझ्न र छिट्टै "प्रविष्ट" विषय, यो स्वीकार्य हुन सक्छ। हामी यस सामग्रीलाई कसरी सही रूपमा नाम दिने भनेर छलफल गर्नेछौं (विकल्पहरू: "डमीहरूका लागि मेसिन लर्निङ", "डायपरबाट डेटा विश्लेषण", "सानाहरूका लागि एल्गोरिदमहरू") अन्त्यमा।

बिन्दुमा। डाटा विश्लेषण गर्दा विभिन्न मेसिन लर्निङ विधिहरूमा हुने प्रक्रियाहरूको दृश्य र दृश्य प्रतिनिधित्वको लागि एमएस एक्सेलमा धेरै अनुप्रयोग कार्यक्रमहरू लेखे। हेर्नु भनेको विश्वास गर्नु हो, जसरी संस्कृतिका वाहकहरूले भनेका छन्, जसले यीमध्ये धेरैजसो विधिहरू विकास गरेको छ (वैसे, ती सबै होइन। सबैभन्दा शक्तिशाली "सपोर्ट भेक्टर मेसिन", वा SVM, समर्थन भेक्टर मेसिनको आविष्कार हो। हाम्रा स्वदेशी भ्लादिमिर वाप्निक, मस्को इन्स्टिच्युट अफ म्यानेजमेन्ट। 1963, वैसे! अब, यद्यपि, उहाँ संयुक्त राज्य अमेरिकामा पढाउनुहुन्छ र काम गर्नुहुन्छ)।

समीक्षाको लागि तीन फाइलहरू

1. K-को अर्थ क्लस्टरिङ

यस प्रकारका समस्याहरूले "अनिरिक्षण सिकाइ" लाई जनाउँछ, जब हामीले प्रारम्भिक डेटालाई पहिले नै थाहा भएका निश्चित संख्याहरूमा विभाजन गर्न आवश्यक छ, तर हामीसँग "सही जवाफहरू" को संख्या छैन; हामीले तिनीहरूलाई डाटाबाटै निकाल्नु पर्छ। । ज्ञानको यस क्षेत्रको पहिलो चिन्ह मानिने आइरिस फूलहरूको उप-प्रजाति पत्ता लगाउने आधारभूत शास्त्रीय समस्या (रोनाल्ड फिशर, १९३६!), यो प्रकृतिको मात्र हो।

विधि एकदम सरल छ। हामीसँग भेक्टर (N संख्याहरूको सेट) को रूपमा प्रतिनिधित्व गरिएका वस्तुहरूको सेट छ। irises मा, यी 4 संख्या को सेट हो जुन फूल को विशेषता हो: perianth को बाहिरी र भित्री लोब को लम्बाई र चौडाई, क्रमशः (फिशरको irises - विकिपीडिया)। सामान्य कार्टेसियन मेट्रिकलाई वस्तुहरू बीचको दूरी वा निकटताको मापनको रूपमा छनोट गरिन्छ।

अर्को, क्लस्टर केन्द्रहरू अनियमित रूपमा चयन गरिएका छन् (वा अनियमित रूपमा होइन, तल हेर्नुहोस्), र प्रत्येक वस्तुबाट क्लस्टर केन्द्रहरूमा दूरीहरू गणना गरिन्छ। दिइएको पुनरावृत्ति चरणमा प्रत्येक वस्तुलाई नजिकको केन्द्रको रूपमा चिन्ह लगाइएको छ। त्यसपछि प्रत्येक क्लस्टरको केन्द्रलाई यसको सदस्यहरूको निर्देशांकको अंकगणितीय माध्यमा स्थानान्तरण गरिन्छ (भौतिकीसँग समानताद्वारा, यसलाई "मासको केन्द्र" पनि भनिन्छ), र प्रक्रिया दोहोर्याइएको छ।

प्रक्रिया एकदम चाँडै रूपान्तरण। दुई आयामहरूमा चित्रहरूमा यो यस्तो देखिन्छ:

1. प्लेनमा बिन्दुहरूको प्रारम्भिक अनियमित वितरण र क्लस्टरहरूको संख्या

2. क्लस्टर केन्द्रहरू निर्दिष्ट गर्दै र तिनीहरूको क्लस्टरहरूमा बिन्दुहरू तोक्ने

3. क्लस्टर केन्द्रहरूको समन्वय स्थानान्तरण गर्दै, केन्द्रहरू स्थिर नभएसम्म बिन्दुहरूको सम्बद्धता पुन: गणना गर्दै। अन्तिम स्थितिमा सर्ने क्लस्टर केन्द्रको ट्र्याजेक्टोरी देखिन्छ।

कुनै पनि समयमा, तपाईंले नयाँ क्लस्टर केन्द्रहरू सेट गर्न सक्नुहुन्छ (बिन्दुहरूको नयाँ वितरण उत्पन्न नगरीकन!) र विभाजन प्रक्रिया सधैं अस्पष्ट हुँदैन भनेर हेर्नुहोस्। गणितीय रूपमा, यसको मतलब यो हो कि कार्यलाई अनुकूलित गर्नका लागि (विन्दुहरूबाट तिनीहरूको क्लस्टरहरूको केन्द्रहरूमा वर्ग दूरीको योग), हामीले विश्वव्यापी होइन, तर स्थानीय न्यूनतम फेला पार्छौं। यो समस्या या त प्रारम्भिक क्लस्टर केन्द्रहरूको गैर-यादृच्छिक छनोटद्वारा वा सम्भावित केन्द्रहरूको गणना गरेर हटाउन सकिन्छ (कहिलेकाहीँ तिनीहरूलाई ठ्याक्कै कुनै एक बिन्दुमा राख्नु फाइदाजनक हुन्छ, त्यसपछि कम्तिमा त्यहाँ एउटा ग्यारेन्टी छ कि हामी खाली हुने छैनौं। क्लस्टरहरू)। कुनै पनि अवस्थामा, एक सीमित सेटमा सधैं इन्फिमम हुन्छ।

तपाईं यस लिङ्कमा यो फाइलसँग खेल्न सक्नुहुन्छ (म्याक्रो समर्थन सक्षम गर्न नबिर्सनुहोस्। फाइलहरू भाइरसहरूको लागि स्क्यान गरिएको छ)

विकिपिडियामा विधिको विवरण - k-को अर्थ विधि हो

2. बहुपद र डाटा ब्रेकडाउन द्वारा अनुमानित। पुन: प्रशिक्षण

उल्लेखनीय वैज्ञानिक र डेटा विज्ञान को लोकप्रियता के.वी. Vorontsov छोटकरीमा मेसिन लर्निङ विधिहरूलाई "बिन्दुहरू मार्फत वक्र कोर्ने विज्ञान" भनेर वर्णन गर्दछ। यस उदाहरणमा, हामीले न्यूनतम वर्ग विधि प्रयोग गरेर डाटामा एउटा ढाँचा फेला पार्नेछौं।

स्रोत डेटालाई "प्रशिक्षण" र "नियन्त्रण" मा विभाजन गर्ने प्रविधि देखाइएको छ, साथै डेटामा पुन: तालिम, वा "पुनः समायोजन" जस्ता घटना देखाइएको छ। सही अनुमानको साथ, हामीसँग प्रशिक्षण डेटामा एक निश्चित त्रुटि र नियन्त्रण डेटामा थोरै ठूलो त्रुटि हुनेछ। यदि गलत छ भने, यसले प्रशिक्षण डेटामा सटीक समायोजन र परीक्षण डेटामा ठूलो त्रुटिको परिणाम दिन्छ।

(यो एक ज्ञात तथ्य हो कि N बिन्दुहरू मार्फत N-1th डिग्रीको एकल वक्र तान्न सकिन्छ, र सामान्य अवस्थामा यो विधिले इच्छित परिणाम दिँदैन। विकिपिडियामा लैग्रेन्ज इन्टरपोलेसन बहुपद)

1. प्रारम्भिक वितरण सेट गर्नुहोस्

2. हामी बिन्दुहरूलाई 70 देखि 30 को अनुपातमा "प्रशिक्षण" र "नियन्त्रण" मा विभाजन गर्छौं।

3. हामी प्रशिक्षण बिन्दुहरु संग अनुमानित वक्र कोर्न, हामी यो नियन्त्रण डेटा मा त्रुटि दिन्छ देख्छौं।

4. हामी प्रशिक्षण बिन्दुहरू मार्फत एक सटीक वक्र कोर्छौं, र हामीले नियन्त्रण डेटामा एक राक्षसी त्रुटि देख्छौं (र प्रशिक्षण डेटामा शून्य, तर यसको मतलब के हो?)।

देखाइयो, निस्सन्देह, "प्रशिक्षण" र "नियन्त्रण" उपसेटहरूमा एकल विभाजनको साथ सबैभन्दा सरल विकल्प हो; सामान्य अवस्थामा, यो गुणांकहरूको उत्कृष्ट समायोजनको लागि धेरै पटक गरिन्छ।

फाइल यहाँ उपलब्ध छ, एन्टिभाइरस द्वारा स्क्यान गरिएको। सही सञ्चालनको लागि म्याक्रो सक्षम गर्नुहोस्

3. त्रुटि परिवर्तनको ग्रेडियन्ट वंश र गतिशीलता

त्यहाँ 4-आयामी केस र रैखिक प्रतिगमन हुनेछ। रैखिक प्रतिगमन गुणांकहरू क्रमबद्ध रूपमा ग्रेडिएन्ट डिसेन्ट विधि प्रयोग गरी निर्धारण गरिनेछ, सुरुमा सबै गुणांकहरू शून्य हुन्छन्। एक अलग ग्राफले त्रुटि घटाउने गतिशीलता देखाउँदछ किनकि गुणांकहरू थप र अधिक सटीक रूपमा समायोजित हुन्छन्। सबै चार 2-आयामी अनुमानहरू हेर्न सम्भव छ।

यदि तपाईंले ढाँचा वंशको चरण धेरै ठूलो सेट गर्नुभयो भने, तपाईंले देख्न सक्नुहुन्छ कि प्रत्येक पटक हामी न्यूनतम छोड्नेछौं र परिणाममा धेरै चरणहरूमा आइपुग्नेछौं, यद्यपि अन्तमा हामी अझै आइपुग्नेछौं (जबसम्म हामीले झर्ने चरणमा ढिलाइ गर्दैनौं। धेरै - त्यसपछि एल्गोरिथ्म "स्पेडहरूमा" जान्छ)। र पुनरावृत्ति चरणमा निर्भर त्रुटिको ग्राफ चिकनी हुनेछैन, तर "झटका" हुनेछ।

1. डेटा उत्पन्न गर्नुहोस्, ग्रेडियन्ट डिसेन्ट चरण सेट गर्नुहोस्

2. ग्रेडियन्ट डिसेन्ट स्टेपको सही चयनको साथ, हामी सजिलै र चाँडै न्यूनतममा पुग्छौं

3. यदि ग्रेडियन्ट डिसेन्ट चरण गलत रूपमा चयन गरिएको छ भने, हामी अधिकतम ओभरशुट गर्छौं, त्रुटि ग्राफ "झर्की" छ, अभिसरणले ठूलो संख्यामा चरणहरू लिन्छ।

и

4. यदि हामीले ग्रेडियन्ट डिसेन्ट स्टेप पूर्ण रूपमा गलत तरिकाले चयन गर्छौं भने, हामी न्यूनतमबाट टाढा जान्छौं।

(तस्बिरहरूमा देखाइएको ग्रेडियन्ट डिसेन्ट चरण मानहरू प्रयोग गरेर प्रक्रिया पुन: उत्पादन गर्न, "सन्दर्भ डेटा" बाकस जाँच गर्नुहोस्)।

फाइल यो लिङ्कमा छ, तपाईंले म्याक्रो सक्षम गर्न आवश्यक छ, त्यहाँ कुनै भाइरस छैन।

सम्मानित समुदायका अनुसार सामग्री प्रस्तुत गर्ने यस्तो सरलीकरण र विधि स्वीकार्य छ ? के यो लेख अंग्रेजीमा अनुवाद गर्न लायक छ?

स्रोत: www.habr.com