Machine learning pentru începători: ce învață un model din date

Clasificare și regresie: ce rezultat ceri?

Clasificarea alege o categorie: de exemplu, tipul unui fruct pornind de la măsurători. Regresia estimează o valoare numerică, precum masa unui fruct pornind de la dimensiuni. Alegerea depinde de întrebarea problemei, nu de numele instrumentului folosit.

În învățarea supravegheată, exemplele includ intrările și răspunsul cunoscut, numit etichetă sau țintă. Dacă introduci masa și culoarea pentru a prezice tipul fructului, masa și culoarea sunt caracteristici, iar tipul este ținta. Nu introduce printre caracteristici chiar răspunsul pe care modelul trebuie să îl estimeze.

Separă antrenarea, validarea și testarea

Datele de antrenare sunt folosite pentru ajustarea modelului. Datele de validare te ajută să alegi între variante și setări. Setul de test este păstrat pentru evaluarea finală. Dacă alegi în mod repetat varianta care merge cel mai bine pe setul de test, acesta începe să influențeze soluția și pierde rolul de verificare independentă.

Separarea trebuie să țină cont de problema reală. Mai multe fotografii ale aceluiași fruct pot transmite informații aproape identice dacă ajung în seturi diferite. Pentru predicții despre viitor, ordinea temporală contează: informațiile din viitor nu trebuie folosite pentru a simula o decizie din trecut.

Un rezultat de 90% poate ascunde problema

Exemplu inventat: ai 100 de fructe, dintre care 90 sunt mere și 10 sunt pere. O regulă care răspunde mereu «măr» are 90% acuratețe, dar nu identifică nicio pară. Numărul total de răspunsuri corecte nu îți spune singur cât de util este sistemul pentru fiecare categorie.

Numără separat predicțiile corecte și greșite pentru mere și pere. O matrice de confuzie organizează aceste rezultate după categoria reală și categoria prezisă. Compară modelul cu o regulă simplă de referință și descrie ce tip de greșeală contează pentru utilizarea propusă.

Supraînvățare și scurgerea de informație

Supraînvățarea apare când modelul se adaptează prea mult particularităților datelor de antrenare și generalizează slab. Scurgerea de informație apare când procesul folosește date care nu ar fi disponibile la momentul predicției sau informații din evaluare. Sunt probleme diferite și cer investigații diferite.

Un rezultat foarte bun merită verificat: există duplicate între seturi, caracteristici care dezvăluie ținta sau pași de prelucrare calculați folosind și datele de test? Învață regulile prelucrării pe datele de antrenare și aplică aceleași reguli celorlalte seturi. Notează exact ce ai schimbat când compari două experimente.

Cum începi un proiect mic la liceu

Alege o întrebare, definește rezultatul și construiește întâi o regulă simplă de referință. Folosește date fără informații personale și explică proveniența lor. Scrie cum vei separa exemplele și ce rezultat vei măsura înainte să încerci mai multe modele.

Încheie proiectul cu o explicație a greșelilor și a limitelor datelor. Un experiment de clasă nu demonstrează automat performanță în alte condiții. Bazele Python, listele, funcțiile și interpretarea unui tabel te ajută să faci legătura dintre cod și evaluare.

Întrebări frecvente

Surse și lectură suplimentară

• Google: seturi de antrenare, validare și test
• scikit-learn: greșeli frecvente și scurgerea de informație

Ghid editorial AiLaBac. Citește ghidurile în format text.