Makine Öğrenimi - Denetimsiz
Şimdiye kadar gördüğünüz şey, makinenin hedefimiz için çözümü bulmayı öğrenmesini sağlamak. Regresyonda, makineyi gelecekteki bir değeri tahmin etmesi için eğitiyoruz. Sınıflandırmada, makineyi, bilinmeyen bir nesneyi tarafımızdan tanımlanan kategorilerden birinde sınıflandırması için eğitiyoruz. Kısacası, X verilerimiz için Y'yi tahmin edebilmesi için makineleri eğitiyoruz. Büyük bir veri kümesi göz önüne alındığında ve kategorileri tahmin etmediğimizde, makineyi denetimli öğrenmeyi kullanarak eğitmek bizim için zor olurdu. Ya makine birkaç Gigabayt ve Terabaytta çalışan büyük veriyi arayıp analiz edebilir ve bize bu verilerin çok sayıda farklı kategori içerdiğini söylerse?
Örnek olarak, seçmen verilerini düşünün. Her seçmenden bazı girdileri göz önünde bulundurarak (bunlara AI terminolojisinde özellikler denir), makinenin X siyasi partisine oy verecek çok sayıda seçmen olduğunu ve birçoğunun Y'ye oy vereceğini tahmin etmesine izin verin. Bu nedenle, genel olarak, makineye çok büyük bir veri noktaları kümesi verilmiş olan X, "Bana X hakkında ne söyleyebilirsiniz?" Diye soruyoruz. Ya da "X'ten çıkarabileceğimiz en iyi beş grup nedir?" Gibi bir soru olabilir. Ya da "X'te en sık birlikte hangi üç özellik birlikte görülür?" Gibi olabilir.
Bu tam olarak Denetimsiz Öğrenmeyle ilgilidir.
Denetimsiz Öğrenme Algoritmaları
Şimdi, denetimsiz makine öğreniminde sınıflandırma için yaygın olarak kullanılan algoritmalardan birini tartışalım.
k-kümeleme anlamına gelir
Amerika Birleşik Devletleri'ndeki 2000 ve 2004 Başkanlık seçimleri yakındı - çok yakındı. Herhangi bir adayın aldığı en büyük halk oyu yüzdesi% 50,7 ve en düşük oranı% 47,9 oldu. Seçmenlerin bir yüzdesi taraf değiştirmiş olsaydı, seçimin sonucu farklı olurdu. Uygun şekilde başvurulduğunda taraf değiştirecek küçük seçmen grupları var. Bu gruplar çok büyük olmayabilir, ancak bu kadar yakın ırklarla seçimin sonucunu değiştirecek kadar büyük olabilirler. Bu insan gruplarını nasıl buluyorsunuz? Sınırlı bir bütçeyle onlara nasıl hitap ediyorsunuz? Cevap kümelemedir.
Nasıl yapıldığını anlayalım.
İlk olarak, rızaları olsun ya da olmasın, insanlar hakkında bilgi topluyorsunuz: onlar için neyin önemli olduğu ve neyin oy verme şeklini etkileyeceği konusunda ipucu verebilecek her türlü bilgi.
Sonra bu bilgiyi bir çeşit kümeleme algoritmasına koyarsınız.
Daha sonra, her küme için (önce en büyüğünü seçmek akıllıca olacaktır), bu seçmenlere hitap edecek bir mesaj hazırlarsınız.
Son olarak, kampanyayı yayınlar ve işe yarayıp yaramadığını ölçmek için.
Kümeleme, benzer şeylerin kümelerini otomatik olarak oluşturan bir tür denetimsiz öğrenmedir. Otomatik sınıflandırma gibidir. Hemen hemen her şeyi kümeleyebilirsiniz ve kümedeki öğeler ne kadar benzer olursa, kümeler o kadar iyi olur. Bu bölümde, k-ortalamaları adı verilen bir tür kümeleme algoritmasını inceleyeceğiz. K-aracı olarak adlandırılır çünkü 'k' benzersiz kümeler bulur ve her kümenin merkezi, o kümedeki değerlerin ortalamasıdır.
Küme Tanımlaması
Küme tanımlaması bir algoritmaya "İşte bazı veriler. Şimdi benzer şeyleri bir araya toplayın ve bana bu gruplardan bahsedin. " Sınıflandırmadan en önemli farkı, sınıflandırmada ne aradığınızı bilmenizdir. Kümelemede durum böyle olmasa da.
Kümeleme bazen denetimsiz sınıflandırma olarak adlandırılır, çünkü sınıflandırmanın yaptığı gibi, ancak önceden tanımlanmış sınıflar olmadan aynı sonucu verir.
Artık hem denetimli hem de denetimsiz öğrenmede rahatız. Makine öğrenimi kategorilerinin geri kalanını anlamak için, önce bir sonraki bölümde öğreneceğimiz Yapay Sinir Ağlarını (YSA) anlamalıyız.