Különböző modellezési technikák:
Bármely problémát feloszthatunk kisebb folyamatokra:
Osztályozás - az, ahol osztályozzuk az adatokat. Például. betegségek, minden betegség bizonyos viselkedést mutat, és tovább osztályozhatjuk őket.
Például: immunitást csökkentő betegségek, fejfájást okozó betegségek stb.
Regresszió - magában foglalja a több változó közötti kapcsolat felderítését.
Például: hogyan függ össze az ember súlya a magasságával.
java mély másolat vs sekély másolat
AnomolyÉrzékelés - alapvetően fluktuáció.
Például: Nagy vagy alacsony feszültség esetén.
Egy másik példa lehet a szabályozott magatartás, amely országonként a jobb vagy a bal oldalon történő vezetést foglalja magában. Az anomólia itt valaki az ellenkezőjéről hajt.
Egy másik példa lehet a hálózati behatolás. Itt egy hitelesített felhasználó bejelentkezik a vállalat webhelyére, majd ha valaki hitelesítetlen bejelentkezik, akkor ez egyAn0moly.
Attribútum fontossága - Alapvetően több tulajdonságot ad meg, mint például a magasság, a súly, a hőmérséklet, a szívverés. Megjegyzendő, hogy mindezek az attribútumok fontosak egy feladat szempontjából.
magyarázza el a változtatható és a változtathatatlan objektumok közötti különbséget.
Például: Valaki megpróbálja megjósolni, hogy az ember mikor érkezik hivatalba. Minden tulajdonság fontos szerepet játszik, de nem minden tulajdonság fontos.
Egyesületi szabályok - Egyszerűbben kifejezve: a következő viselkedés elemzése vagy előrejelzése, ahol ez az ajánlási motor körül forog.
Például: A kenyeret vásárló személy tejet is vásárolhat. Ha elemezzük a korábbi vásárlási magatartást, a kosárban lévő összes elemnek van összefüggése. Ebben az esetben valószínűsíthető, hogy a kenyeret vásárló tejet is vásárol.
Csoportosítás - A statisztika egyik legrégebbi technikája. Valójában mindig lehet bármilyen problémát modellezni, legyen az osztályozás vagy klaszterezés, ami hasonló entitások csoportosítását jelenti.
Például:
1) Vegyünk egy kosár almát és narancsot, amelyben el tudjuk különíteni az almát a narancstól.
2) A klaszterezés fontos felhasználási esete az egészségügy. Szinte az összes statisztika és elemzés az egészségügyi felhasználás eseteivel kezdődött. Ha mélyebbre akarunk menni, van egy csoportosulás, amelyet kohorszoknak (hasonló betegségben szenvedőknek) neveznek, hogy azokat a meglévő ügyfelektől külön tanulmányozhassák. Például, ha 10 ember lázban szenved, és további 10 ember fejfájásban szenved, meg fogjuk találni azt, ami közös köztük, és gyógyszert generálunk.
Feature Extraction - A funkciók kibontásának pontossága, érvényessége és meghibásodása nagyon fontos. Más szavakkal, a funkciókivonás mintázatfelismerésnek nevezhető.
mi a módszer javascript
Például:
A Google keresés során, amikor a felhasználó beír egy kifejezést, az eredményekkel áll elő. Most fontos kérdés, hogy honnan tudta, melyik oldal releváns és nem releváns a kifejezés szempontjából? Erre a funkciók kibontásával és a mintafelismeréssel lehet válaszolni, ahol kiemelkedő funkciókat ad hozzá. Tegyük fel, hogy adott egy fénykép, bizonyos kamerák érzékelik az arcokat, kiemelik az arcot, hogy gyönyörű képeket kapjanak, ami szintén funkciófelismerést használ.
Felügyelt tanulás vs felügyelet nélküli tanulás
nak nek) Jóslás kategória - A technikák között szerepel a regresszió, a logisztika, az ideghálózatok és a döntési fák. Néhány példa a csalás észlelésére (ahol a számítógép megtanulja és megjósolja a következő csalást a csalások korábbi története alapján). A felügyelet nélküli tanulás során nem lehet példákkal megjósolni, mivel nincsenek történelmi adatok.
b) Osztályozási kategória - Példát véve arra, hogy az ügylet csaló vagy sem, belép az osztályozási kategóriába. Itt történeti adatokat veszünk és döntési fákkal osztályozunk, vagy ha egyáltalán nem veszünk semmilyen történelmi adatot, akkor közvetlenül az adatokból indulunk ki, és megpróbáljuk a sajátosságokat kihasználni. Például, ha ismernünk kell azokat az alkalmazottakat, akik valószínűleg elhagyják a szervezetet, vagy valószínűleg maradnak. Abban az esetben, ha egy új szervezetről van szó, ahol nem tudjuk felhasználni a korábbi adatokat, mindig használhatunk fürtözést az adatok kinyerésére.
c) Kutatási kategória - Ez egy egyszerű módszer, azzal a céllal, hogy mit jelent a big data. A felügyelet nélküli tanulásban elvi komponenseknek és klaszterezésnek nevezik.
d) Érdeklődési kategória - itt több elem érintett, például keresztértékesítés / eladás, piaci kosár elemzés. A kosárelemzésben nincs felügyelt tanulás, mivel nincsenek történelmi adatok. Tehát közvetlenül veszünk adatokat, és asszociációkat, szekvenálást és faktoranalízist találunk.
Van egy kérdésünk? Említse meg őket a megjegyzések részben, és mi kapcsolatba lépünk Önnel.
Kapcsolódó hozzászólások: