Eri mallintamistekniikat:
Voimme jakaa minkä tahansa ongelman pienempiin prosesseihin:
Luokittelu - on missä luokittelemme tiedot. Esim. kaikki sairaudet käyttäytyvät tietyllä tavalla, ja voimme luokitella ne edelleen.
Esimerkiksi: immuniteettia vähentävät sairaudet, päänsärkyä aiheuttavat sairaudet jne.
Regressio - liittyy useiden muuttujien välisen suhteen selvittämiseen.
Esimerkiksi: kuinka ihmisen paino liittyy hänen pituuteensa.
AnomolyHavaitseminen - on pohjimmiltaan vaihtelu.
Esimerkiksi: Jos kyseessä on korkea tai matala jännite.
Toinen esimerkki voisi olla säännelty käyttäytyminen, johon sisältyy ajo oikealla tai vasemmalla puolella maan mukaan. Anomoli on joku ajaa päinvastoin.
menetelmän ylikuormitus ja menetelmän ohittaminen Java-sovelluksessa
Toinen esimerkki voisi olla verkon tunkeutuminen. Tällöin todennettu käyttäjä kirjautuu yrityksesi verkkosivustolle, ja jos joku kirjautumatta kirjautuu sisään, se onAn0moly.
Määritteen merkitys - Se antaa pohjimmiltaan useita ominaisuuksia, kuten pituus, paino, lämpötila, syke. Huomattavaa on, että kaikki nämä määritteet ovat tärkeitä tehtävälle.
kuinka tarkistaa palindromi java
Esimerkiksi: Joku yrittää ennustaa, milloin henkilö saapuu toimistoon. Jokaisella attribuutilla on tärkeä rooli, mutta kaikki attribuutit eivät ole tärkeitä.
Yhdistyksen säännöt - Yksinkertaisemmin sanottuna se on analysoida tai ennustaa seuraava käyttäytyminen, jossa se pyörii suositusmoottorin ympärillä.
Esimerkiksi: Leipää ostava henkilö voi myös ostaa maitoa. Jos analysoimme aikaisempaa ostokäyttäytymistä, kaikilla korin tuotteilla on suhde. Tässä tapauksessa voi olla todennäköistä, että leipää ostava henkilö ostaa myös maitoa.
Ryhmittely - Se on tilastojen vanhimpia tekniikoita. Itse asiassa voidaan aina mallintaa mikä tahansa ongelma, olipa se luokittelu tai klusteri, mikä tarkoittaa samanlaisten entiteettien ryhmittelyä.
Esimerkiksi:
1) Ota kori omenoita ja appelsiineja, joissa voimme erottaa omenat appelsiinista.
2) Tärkeä klustereiden käyttötapaus on terveydenhuolto. Lähes kaikki tilastot ja analyysit alkoivat terveydenhuollon käyttötapauksista. Syvemmälle on olemassa ryhmittymä, jota kutsutaan kohorteiksi (ihmiset, joilla on samanlaisia sairauksia), jotta heitä voidaan tutkia erillään nykyisistä asiakkaista. Esimerkiksi, jos 10 ihmistä kärsii kuumeesta ja vielä 10 ihmistä päänsärystä, löydämme heidän yhteisensa ja tuotamme lääkettä.
Ominaisuuksien erottaminen - Ominaisuuden purkamisen tarkkuudella, kelvollisuudella ja epäonnistumisella on merkitystä. Toisin sanoen piirteen poimintaa voidaan kutsua mallin tunnistukseksi.
Esimerkiksi:
Google-haussa, kun käyttäjä kirjoittaa termin, se tuottaa tuloksia. Nyt on kysyttävä tärkeä kysymys: mistä se tiesi, mikä sivu on merkityksellinen ja mikä ei ole merkitystä termille? Tähän voidaan vastata ominaisuuksien purkamisella ja kuvion tunnistamisella, jossa se lisää merkittäviä ominaisuuksia. Sanotaan, että valokuva annetaan, tietyt kamerat tunnistavat kasvot, korostavat kasvot, jotta saadaan kauniita kuvia, mikä käyttää myös ominaisuuden tunnistusta.
Ohjattu oppiminen vs. valvomaton oppiminen
) Ennustusluokka - Tekniikoita ovat regressio, logistiikka, hermoverkot ja päätöspuut. Joitakin esimerkkejä ovat petosten havaitseminen (jossa tietokone oppii ja ennustaa seuraavan petoksen aiemman petoksen historian perusteella). Valvomattomassa oppimisessa ei voida ennustaa esimerkeillä, koska historiallisia tietoja ei ole.
b) Luokituskategoria - Ottaen esimerkin siitä, onko liiketoimi petollinen vai ei, se siirtyy luokitteluluokkaan. Tässä otamme historialliset tiedot ja luokittelemme ne päätöksentekopuihin tai jos emme ota ollenkaan historiallisia tietoja, aloitamme suoraan tiedoista ja yritämme hyödyntää ominaisuuksia yksin. Esimerkiksi, jos meidän on tunnettava työntekijät, jotka todennäköisesti poistuvat organisaatiosta tai todennäköisesti pysyvät. Siinä tapauksessa, että kyseessä on uusi organisaatio, jossa emme voi käyttää historiallista dataa, voimme aina käyttää klusterointia tietojen purkamiseen.
c) Tutkimusluokka - Tämä on suoraviivainen menetelmä, keksimällä, mitä big data tarkoittaa. Valvomattomassa oppimisessa sitä kutsutaan periaatekomponenteiksi ja klustereiksi.
d) Suhdeluokka - tässä on mukana useita elementtejä, kuten ristiinmyynti / myynti-myynti, markkinakorin analyysi. Korianalyysissä ei ole valvottua oppimista, koska historiallisia tietoja ei ole. Joten otamme tietoja suoraan ja löydämme assosiaatiot, sekvensoinnin ja tekijäanalyysin.
paras java ide Linuxille
Onko sinulla kysymys meille? Mainitse ne kommenttiosassa ja palaamme sinuun.
Aiheeseen liittyvät julkaisut: