Klasik makine öğrenimi, derin öğrenmeden önce gelen ve yapısal verilerden öğrenmeyi sağlayan bir yöntemdir. Bu yöntem, masih öğrenmeden farklı olarak daha açık bir soru sorar: Hangi özellikler kullanılmalı ve hangi model bu özelliklerden öğrenmelidir?
Temel Fikir
Klasik makine öğrenimi genellikle yapısal verilerle başlar. Bir classical makine öğrenimi iş akışı, basitçe şöyle özetlenebilir: Veri → Özellikler → Model → Tahmin → Değerlendirme → İyileştirme. Bu, klasik makine öğreniminin neden interpretable ve genelleyicidir.
Ana Yapı
Bir klasik makine öğrenimi iş akışı, yüksek seviyeden bakıldığında, siguientes adımları içerir: yapısal veri toplama, özellik temizleme ve hazırlama, veri setini train ve test olarak ayırma, model seçme, model eğitme, genellemeyi değerlendirme ve gerektiğinde kompleksiteyi ayaralama. Bu reason, klasik makine öğreniminin neden hala pratik olduğu.
Somut Örnek
Bir müşterinin ayrılma olasılığını tahmin etmek istediğini varsayalım. Özellikleriniz,以下 gibi olabilir:
- Giriş sayısı
- Abonelik süresi
- Destek biletleri
- Son aktivite
- Ödeme geçmişi
Bir klasik makine öğrenimi modeli, bu özelliklerin nasıl ilişkili olduğunu öğrenir. Lojistik Regresyon, basit bir olasılık verirken, SVM daha temiz bir sınırları odaklanır ve Rastgele Orman daha karmaşık özellik etkileşimlerini yakalar.
Lineer Modeller
Lineer modeller, klasik makine öğreniminin temelini oluşturur. Bir tahmin, ağırlıklı özellik kombinasyonundan oluşur. Basit ama önemli bir fikir: Her özellik, tahmine katkıda bulunur.
Lojistik Regresyon, SVM ve Rastgele Orman
Bu üç model, klasik makine öğrenimi manzarasını güzel bir şekilde gösterir. Lojistik Regresyon, basit bir sınıflandırma modelidir. SVM, iyi bir karar sınırı bulmaya odaklanır. Rastgele Orman, çoklu karar ağaçlarını birleştirir.
Model Karmaşıklığı ve Genelleme
Bir model, sadece eğitim verilerine uymamalıdır. Yeni verilere de uygulamalıdır. Bu, genellemeyi sağlar. Model çok basitse, önemli kalıpları kaçırır. Model çok karmaşıksa, gürültüyü hafızaya alır. Hedef, maksimum eğitim doğruluğunu değil, güvenilir performansını sağlamaktır.
Nerede Gradient Descent Uygulanır
Bazı modeller, parametrelerini optimizasyon yoluyla öğrenir. Gradient Descent, en önemli optimizasyon yöntemlerinden biridir. Parametreleri, kaybı azaltan yönde günceller.
Klasik Makine Öğrenimi vs Derin Öğrenme
Klasik makine öğrenimi, yapısal verilerle çalışır, özellik mühendisliğine dayanır, genellikle daha interpretable'dir ve küçük veri setleriyle güçlü performans gösterebilir. Derin öğrenme, temsil öğrenir, büyük veri setleriyle çalışır ve genellikle daha fazla veri ve hesaplama gücüne ihtiyaç duyar.
Öğrenme Sırası
Klasik makine öğrenimi geniş görünüyorsa, aşağıdaki sırayla öğrenin:
- Lineer Modeller
- Lojistik Regresyon
- SVM
- Rastgele Orman
- Model Karmaşıklığı ve Genelleme
- Gradient Descent
Bu sıra, model temelini anlamanızı, ardından model ailelerini karşılaştırmanızı ve son olarak genellemeyi optimizasyonla bağlamanızı sağlar.
Sonuç
Klasik makine öğrenimi, yapısal veriler, özellikler, modeller ve genellemeye dayanır. En kısa haliyle: Klasik ML = özellikler + interpretable modeller + genelleme. Lineer modeller temel sağlar. Lojistik Regresyon, pratik bir sınıflandırma başlangıç noktası sunar. SVM, karar sınırını geliştirir. Rastgele Orman, daha karmaşık örüntüleri yakalar. Hatırlanacak bir fikir varsa, o da şudur: Klasik makine öğrenimi, özelliklerin, model varsayımlarının ve modelin genellemenin nasıl çalıştığını anladığınızda en iyi şekilde çalışır.
Yapay zeka özeti
Klasik makine öğrenimi, yapısal verilerden öğrenmeyi sağlayan güçlü bir yöntemdir. Lineer modellerden rastgele ormanlara kadar çeşitli teknikleri içerir ve derin öğrenmeden farklı olarak daha açık bir soru sorar.
