Классификация, регрессия, кластеризация - в чём разница?

В предыдущем посте мы разобрали, как работает машинное обучение. Теперь поговорим о том, какие задачи оно решает.

Всё машинное обучение делится на две большие группы: обучение с учителем и обучение без учителя.

Обучение с учителем (Supervised Learning) - подход, при котором каждый пример в обучающей выборке (датасете) содержит правильный ответ. Модель анализирует входные данные и соответствующие им ответы, чтобы в дальнейшем предсказывать их для новых объектов. В рамках этой группы выделяют две основные задачи.

Регрессия - задача, в которой модель предсказывает непрерывное числовое значение. Примеры: прогноз температуры, оценка стоимости недвижимости, объём продаж в следующем месяце.

Классификация - задача, в которой модель относит объект к одной из заранее известных категорий. Примеры: определение спама, распознавание породы собаки на фото, тип клиента по поведению.

Обучение без учителя (Unsupervised Learning) - задачи, где данные не размечены. Модель самостоятельно находит в них скрытые структуры, группировки и закономерности без подсказок. Главная задача здесь - кластеризация.

Кластеризация - это разбиение объектов на группы (кластеры) по принципу схожести. Пример: сегментация покупателей на основе их поведения, когда модель сама находит группы, а мы заранее не знаем, какие это будут категории.

Кроме того, существуют и другие типы задач. Снижение размерности (Dimensionality Reduction) позволяет уменьшить количество признаков, сохраняя важную информацию. Рекомендательные системы предсказывают предпочтения пользователей на основе их истории - это работает в онлайн-кинотеатрах и магазинах. А обучение с подкреплением (Reinforcement Learning) - это когда модель учится принимать решения, взаимодействуя со средой и получая обратную связь в виде наград и штрафов как в играх.

Под каждую из этих задач существуют свои функции потерь. В следующих постах мы разберём, как выбрать лосс-функцию для каждой задачи, а также поговорим о переобучении. Подписывайтесь!

Телеграм: t.me/ainewsline

Источник: vk.com

Комментарии: