Makine Öğrenimi - Denetimli
Denetimli öğrenme, eğitim makinelerinde yer alan önemli öğrenme modellerinden biridir. Bu bölüm aynı şeyi ayrıntılı olarak anlatıyor.
Denetimli Öğrenim için Algoritmalar
Denetimli öğrenme için çeşitli algoritmalar mevcuttur. Denetimli öğrenmenin yaygın olarak kullanılan algoritmalarından bazıları aşağıda gösterildiği gibidir -
- k-En Yakın Komşular
- Karar ağaçları
- Naif bayanlar
- Lojistik regresyon
- Vektör makineleri desteklemek
Bu bölümde ilerlerken, algoritmaların her biri hakkında ayrıntılı olarak tartışalım.
k-En Yakın Komşular
Basitçe kNN olarak adlandırılan k-En Yakın Komşular, sınıflandırma ve regresyon problemlerini çözmek için kullanılabilecek istatistiksel bir tekniktir. Bilinmeyen bir nesneyi kNN kullanarak sınıflandırma durumunu tartışalım. Aşağıda verilen resimde gösterildiği gibi nesnelerin dağılımını düşünün -
Kaynak:
https://en.wikipedia.org/wiki/K-nearest_neighbors_algorithm
Şema, kırmızı, mavi ve yeşil renklerle işaretlenmiş üç tür nesneyi göstermektedir. Yukarıdaki veri kümesinde kNN sınıflandırıcısını çalıştırdığınızda, her nesne türü için sınırlar aşağıda gösterildiği gibi işaretlenecektir -
Kaynak:
https://en.wikipedia.org/wiki/K-nearest_neighbors_algorithm
Şimdi, kırmızı, yeşil veya mavi olarak sınıflandırmak istediğiniz yeni bir bilinmeyen nesneyi düşünün. Bu, aşağıdaki şekilde tasvir edilmiştir.
Görsel olarak gördüğünüz gibi, bilinmeyen veri noktası bir mavi nesneler sınıfına aittir. Matematiksel olarak bu, bu bilinmeyen noktanın mesafesini veri setindeki diğer her nokta ile ölçerek sonuçlandırılabilir. Bunu yaptığınızda, komşularının çoğunun mavi renkte olduğunu bileceksiniz. Kırmızı ve yeşil nesnelere olan ortalama mesafe, mavi nesnelere olan ortalama mesafeden kesinlikle daha fazla olacaktır. Bu nedenle, bu bilinmeyen nesne mavi sınıfına ait olarak sınıflandırılabilir.
KNN algoritması, regresyon problemleri için de kullanılabilir. KNN algoritması, ML kitaplıklarının çoğunda kullanıma hazır olarak mevcuttur.
Karar ağaçları
Akış şeması biçiminde basit bir karar ağacı aşağıda gösterilmiştir -
Giriş verilerinizi bu akış şemasına göre sınıflandırmak için bir kod yazarsınız. Akış şeması kendinden açıklamalıdır ve önemsizdir. Bu senaryoda, ne zaman okuyacağınıza karar vermek için gelen bir e-postayı sınıflandırmaya çalışıyorsunuz.
Gerçekte, karar ağaçları büyük ve karmaşık olabilir. Bu ağaçları oluşturmak ve geçmek için kullanılabilecek çeşitli algoritmalar vardır. Bir Makine Öğrenimi meraklısı olarak, karar ağaçlarını oluşturmak ve aşmak için bu teknikleri anlamanız ve bunlarda ustalaşmanız gerekir.
Naif bayanlar
Naive Bayes, sınıflandırıcılar oluşturmak için kullanılır. Bir meyve sepetinden farklı türdeki meyveleri ayırmak (sınıflandırmak) istediğinizi varsayalım. Bir meyvenin rengi, boyutu ve şekli gibi özellikleri kullanabilirsiniz, örneğin kırmızı renkli, yuvarlak şekilli ve yaklaşık 10 cm çapında olan herhangi bir meyve Elma olarak kabul edilebilir. Bu nedenle, modeli eğitmek için bu özellikleri kullanır ve belirli bir özelliğin istenen kısıtlamalara uyma olasılığını test edersiniz. Farklı özelliklerin olasılıkları, daha sonra, belirli bir meyvenin bir Elma olma olasılığına ulaşmak için birleştirilir. Naive Bayes, genellikle sınıflandırma için az sayıda eğitim verisi gerektirir.
Lojistik regresyon
Aşağıdaki şemaya bakın. Veri noktalarının XY düzlemindeki dağılımını gösterir.
Diyagramdan, kırmızı noktaların yeşil noktalardan ayrılmasını görsel olarak inceleyebiliriz. Bu noktaları ayırmak için bir sınır çizgisi çizebilirsiniz. Şimdi, yeni bir veri noktasını sınıflandırmak için, noktanın çizginin hangi tarafında olduğunu belirlemeniz yeterlidir.
Vektör makineleri desteklemek
Aşağıdaki veri dağılımına bakın. Burada üç veri sınıfı doğrusal olarak ayrılamaz. Sınır eğrileri doğrusal değildir. Böyle bir durumda, eğrinin denklemini bulmak karmaşık bir iş haline gelir.
Kaynak: http://uc-r.github.io/svm
Destek Vektör Makineleri (SVM), bu tür durumlarda ayırma sınırlarının belirlenmesinde kullanışlıdır.