ကြီးကြပ်မှု နှင့် ကြီးကြပ်မှုမရှိသော သင်ကြားမှုဆိုင်ရာ အမြန်မိတ်ဆက်

စက်သင်ယူမှုနယ်ပယ်တွင် ဒေတာကိုနားလည်ရန် အသုံးပြုနိုင်သည့် အယ်လဂိုရီသမ်များစွာပါရှိသည်။ ဤ algorithms များကို အောက်ပါ အမျိုးအစား နှစ်ခုထဲမှ တစ်ခုအဖြစ် ခွဲခြားနိုင်ပါသည်။

1. ကြီးကြပ်ထားသော သင်ယူမှု အယ်လဂိုရီသမ်များ- တစ်ခု သို့မဟုတ် တစ်ခုထက်ပိုသော သွင်းအားစုများအပေါ် အခြေခံ၍ ရလဒ်ကို ခန့်မှန်းရန် သို့မဟုတ် ကြိုတင်ခန့်မှန်းရန် စံနမူနာတစ်ခု တည်ဆောက်ပါ။

2. ကြီးကြပ်မထားသော သင်ယူမှု အယ်လဂိုရီသမ်များ- သွင်းအားစုများမှ တည်ဆောက်ပုံနှင့် ဆက်ဆံရေးများကို ရှာဖွေခြင်းတို့ ပါဝင်ပါသည်။ “ ကြီးကြပ်မှု” ထွက်ပေါက်မရှိပါ။

ဤသင်ခန်းစာတွင် ဤ algorithms အမျိုးအစားနှစ်ခုကြား ခြားနားချက်ကို တစ်ခုစီ၏ ဥပမာများစွာဖြင့် ရှင်းပြထားသည်။

ကြီးကြပ်သင်ကြားမှု အယ်ဂိုရီသမ်များ

ကျွန်ုပ်တို့ _တွင် ရှင်းပြချက် တစ်ခု သို့မဟုတ် တစ်ခုထက်ပိုသော ကိန်းရှင်များ _{ရှိသည် ( X1} ၊ တုံ့ပြန်မှုကိန်းရှင်-

Y = f (X) + ε

f သည် Y နှင့်ပတ်သက်သောစနစ်တကျအချက်အလက်ကို ကိုယ်စားပြုပြီး ε သည် သုည၏ဆိုလိုရင်းဖြင့် X နှင့်မကင်းသော ကျပန်းအမှားတစ်ခုဖြစ်သည်။

ကြီးကြပ်သင်ကြားမှု အယ်လဂိုရီသမ်၏ အဓိက အမျိုးအစား နှစ်မျိုးရှိသည်။

1. Regression- အထွက်ကိန်းသည် စဉ်ဆက်မပြတ်ဖြစ်သည် (ဥပမာ အလေးချိန်၊ အရပ်၊ အချိန်၊ စသည်)။

2. အမျိုးအစားခွဲခြားခြင်း- အထွက်ကိန်းသည် အမျိုးအစားအလိုက်ဖြစ်သည် (ဥပမာ- အမျိုးသား သို့မဟုတ် အမျိုးသမီး၊ အောင်မြင်မှု သို့မဟုတ် ကျရှုံးမှု၊ ညင်သာပျော့ပျောင်းသော သို့မဟုတ် ဆိုးရွားသော၊ စသည်)။

ကျွန်ုပ်တို့သည် ကြီးကြပ်ထားသော သင်ယူမှု အယ်လဂိုရီသမ်များကို အသုံးပြုရသည့် အဓိကအကြောင်းရင်း နှစ်ခုရှိပါသည်။

1. ခန့်မှန်းချက်- ကျွန်ုပ်တို့သည် တုံ့ပြန်မှုကိန်းရှင်၏တန်ဖိုးကို ခန့်မှန်းရန် မကြာခဏ ရှင်းပြချက်အစုံအလင်ကို အသုံးပြုသည် (ဥပမာ၊ အိမ်တစ်အိမ်၏စျေးနှုန်းကို ခန့်မှန်းရန် စတုရန်းပုံ နှင့် အိပ်ခန်းအရေအတွက်ကို အသုံးပြု၍)။

2. ကောက်ချက်ချခြင်း- ရှင်းလင်းချက် ကိန်းရှင်များ၏တန်ဖိုး ပြောင်းလဲသည့်အခါ တုံ့ပြန်မှုကိန်းရှင်ကို မည်သို့အကျိုးသက်ရောက်ကြောင်း နားလည်နိုင်သည် (ဥပမာ၊ အခန်းအရေအတွက်တစ်ခုပြီးတစ်ခုတိုးလာသောအခါ၊ အိမ်ခြံမြေ၏စျေးနှုန်းသည် ပျမ်းမျှအားဖြင့် မည်မျှတိုးလာသနည်း။)

ကျွန်ုပ်တို့၏ပန်းတိုင်သည် အနုမာန သို့မဟုတ် ခန့်မှန်းခြင်းရှိမရှိ (သို့မဟုတ် နှစ်ခုလုံး၏ ရောနှောမှု) အပေါ်မူတည်၍ လုပ်ဆောင်မှု f ကို ခန့်မှန်းရန် မတူညီသောနည်းလမ်းများကို အသုံးပြုနိုင်ပါသည်။ ဥပမာအားဖြင့်၊ linear မော်ဒယ်များသည် ပိုမိုလွယ်ကူသော အဓိပ္ပာယ်ဖွင့်ဆိုမှုကို ပေးစွမ်းနိုင်သော်လည်း လိုင်းမဟုတ်သော မော်ဒယ်များ အနက်ပြန်ဆိုရန် ခက်ခဲနိုင်သည်မှာ ပိုမိုတိကျသော ခန့်မှန်းချက်များကို ပေးဆောင်နိုင်ပါသည်။

ဤသည်မှာ အသုံးအများဆုံး ကြီးကြပ်မှု သင်ယူမှု အယ်လဂိုရီသမ်များ စာရင်းဖြစ်သည်-

• တစ်ပြေးညီ ဆုတ်ယုတ်မှု
• ထောက်ပံ့ပို့ဆောင်ရေး ဆုတ်ယုတ်မှု
• တစ်ပြေးညီ ခွဲခြားစိတ်ဖြာခြင်း။
• Quadratic ခွဲခြားမှု ခွဲခြမ်းစိတ်ဖြာခြင်း။
• ဆုံးဖြတ်ချက်သစ်ပင်များ
• Naive Bayes
• vector စက်များကိုပံ့ပိုးပါ။
• မသေခင်

ကြီးကြပ်မထားသော သင်ယူမှု အယ်လဂိုရီသမ်များ

_{ကျွန်ုပ်တို့} တွင် ကိန်း _{ရှင်များ} စာရင်း ₍ X ₁ ၊ data ) ရှိသောအခါတွင် ကြီးကြပ်မထားသော သင်ယူမှု အယ်လဂိုရီသမ်ကို အသုံးပြုနိုင်သည်။

ကြီးကြပ်မထားသော သင်ယူမှု အယ်လဂိုရီသမ် ၏ အဓိက အမျိုးအစား နှစ်မျိုး ရှိပါသည်။

1. Clustering- ဤ algorithms အမျိုးအစားများကို အသုံးပြု၍ တစ်ခုနှင့်တစ်ခု ဆင်တူသည့် ဒေတာအတွဲတစ်ခုတွင် လေ့လာတွေ့ရှိချက်များ “ အစုအဝေး” ကို ရှာဖွေရန် ကြိုးစားပါသည်။ လုပ်ငန်းတစ်ခုသည် အလားတူဝယ်ယူမှုအလေ့အထရှိသည့် ဖောက်သည်အုပ်စုများကို ခွဲခြားသတ်မှတ်လိုသည့်အခါ အချို့သောဖောက်သည်အုပ်စုများကို ပစ်မှတ်ထားသော စျေးကွက်ရှာဖွေရေးဗျူဟာများ ဖန်တီးနိုင်စေရန်အတွက် ၎င်းကို လက်လီရောင်းချရာတွင် အသုံးပြုလေ့ရှိပါသည်။

2. အသင်းအဖွဲ့- ဤ အယ်လဂိုရီသမ် အမျိုးအစားများကို အသုံးပြု၍ အသင်းအဖွဲ့များ ထူထောင်ရန်အတွက် အသုံးပြုနိုင်သည့် “ စည်းမျဉ်းများ” ကို ရှာဖွေရန် ကြိုးစားပါသည်။ ဥပမာအားဖြင့်၊ လက်လီရောင်းချသူများသည် “ ဖောက်သည်တစ်ဦးသည် ထုတ်ကုန် X ကိုဝယ်ပါက၊ ၎င်းတို့သည် ထုတ်ကုန် Y ကိုလည်း ဝယ်ယူနိုင်ဖွယ်ရှိသည်” ဟုညွှန်ပြသော အသင်းအဖွဲ့ အယ်လဂိုရီသမ်တစ်ခုကို တီထွင်နိုင်သည်။

ဤသည်မှာ ကြီးကြပ်မထားသော သင်ယူမှု အယ်လဂိုရီသမ်များတွင် အသုံးအများဆုံး စာရင်းတစ်ခုဖြစ်သည်။

• အဓိကအစိတ်အပိုင်းခွဲခြမ်းစိတ်ဖြာ
• K ဆိုသည်မှာ အစုအဝေးကို ဆိုလိုသည်။
• K-medoids အုပ်စုဖွဲ့ခြင်း။
• အထက်အောက် အမျိုးအစားခွဲခြားခြင်း။
• ဦးစားပေး အယ်လဂိုရီသမ်

အနှစ်ချုပ်- ကြီးကြပ်မှု သို့မဟုတ် ကြီးကြပ်မထားသော သင်ယူမှု

အောက်ပါဇယားသည် ကြီးကြပ်မှု နှင့် ကြီးကြပ်မထားသော သင်ယူမှု အယ်လဂိုရီသမ်များကြား ခြားနားချက်များကို အကျဉ်းချုပ်ဖော်ပြသည်-

အောက်ဖော်ပြပါ ပုံကြမ်းသည် machine learning algorithms အမျိုးအစားများကို အကျဉ်းချုပ်ဖော်ပြသည်-