Il machine learning ultimamente è diventato un boom, tutti lo fanno, tutti lo imparano e lo implementano . Sebbene ci siano molte cose che devono ancora essere chiarite in termini di concetti e approccio .
Ci sono alcune domande che ci si deve sicuramente porre mentre si approfondisce l’apprendimento automatico e si risolvono i problemi dello stesso. Queste domande sono: qual è l’approccio? Come iniziare? Qual è il problema di fondo? Quale algoritmo si adatterebbe al problema, il migliore? Eccetera.
In questo articolo imparerai passo dopo passo come rispondere a queste domande da solo mentre risolvi i problemi di apprendimento automatico.
Nella prima fase, impareremo di più su dove utilizzare l’apprendimento automatico. Nella seconda parte impareremo quale algoritmo utilizzare, in uno specifico caso d’uso. Infine, utilizzeremo come avere visualizzazioni pulite in modo che dia i migliori risultati in termini di rappresentazione pittorica.
Passaggio 1. Dove utilizzare l’apprendimento automatico?
Non tutti i problemi in cui sono coinvolti numeri sono un problema di apprendimento automatico. C’è un grande detto, se l’unico strumento che hai è un martello, tendi a vedere ogni problema come un chiodo.
L’apprendimento automatico può essere utilizzato solo nei seguenti problemi:
È necessario imparare dai dati.
È richiesta la previsione di un risultato.
L’automazione è coinvolta.
La comprensione del modello è necessaria in questo modo nel caso dei sentimenti degli utenti.
Uguale al punto d per la creazione di sistemi di raccomandazione.
È richiesta l’identificazione / rilevamento di un’entità / oggetto.
Ci sono anche molti altri proiettili, ma i fondamentali sono quelli sopra menzionati. Un caso d’uso può avere più di un punto elenco. Potrebbero esserci cose in cui uno potrebbe semplicemente non aver bisogno di avere una pratica di apprendimento automatico per lo stesso, in tal caso dovrebbe andare con uno perché la semplicità è ciò che è apprezzato ovunque.
Ora viene in mente come risolvere un problema di apprendimento automatico. Un seguente approccio graduale ti aiuterà a risolvere quasi tutti i problemi di apprendimento automatico.
Passaggio 1 (a). Come risolvere un problema di Machine Learning?
Approccio graduale
Leggi i dati (da csv, json ecc.)
Identifica le variabili dipendenti e indipendenti.
Controlla se i dati hanno valori mancanti o se i dati sono categoriali o meno.
In caso affermativo, applicare le operazioni di pre-elaborazione dei dati di base per portare i dati in un formato go to go.
Ora dividi i dati nei gruppi di addestramento e test per il rispettivo scopo.
Dopo aver suddiviso i dati, adattarli al modello più adatto. (Come trovare un modello adatto si risponde di seguito)
Convalida il modello. Se soddisfacente, seguilo, altrimenti regola i parametri e continua a testare. In alcuni casi, puoi anche provare diversi algoritmi per lo stesso problema per capire la differenza tra le precisioni.
Dal passaggio 7 si può anche apprendere il paradosso dell’accuratezza.
Visualizza i dati.
Visualizzare i dati è importante perché abbiamo bisogno di capire dove stanno andando i nostri dati e inoltre sembra più rappresentativo durante la narrazione dei dati.
Questo approccio in 9 fasi è un approccio adatto ai principianti e sicuramente ti aiuterebbe.
Passaggio 2. Quale algoritmo utilizzare?
Per comprenderne le basi, dobbiamo capire cosa sia realmente l’etichettatura. In parole povere, possiamo intendere le etichette come i valori che dobbiamo prevedere o come la variabile y in un problema di apprendimento automatico che viene spesso chiamato come variabile dipendente.
Capiamo questo con un piccolo esempio.
if dipendente_variable_exists == True:
apprendimento supervisionato ()
altro:
apprendimento senza supervisione ()
L’apprendimento supervisionato è il termine che usiamo quando abbiamo bisogno di supervisione durante la formazione. Come diamo quella supervisione? Bene, significa che l’output ha un frame da cui confrontare. Quel frame è ciò che chiamiamo variabile dipendente.
E poiché non abbiamo quel quadro di riferimento nell’apprendimento senza supervisione, da qui il nome.
Vediamo ora come gli algoritmi possono essere serviti per scopi diversi.
Nota: i seguenti algoritmi vengono utilizzati per la maggior parte dei rispettivi casi e quindi sono generalizzati, le situazioni possono variare e la scelta degli algoritmi.
Regressione lineare : dati numerici
Regressione logistica: quando la variabile di output è binaria.
Analisi discriminante lineare -Classificazione multicategoria
Albero decisionale -Regressione e classificazione
Ensembles – Regressione e classificazione
Naive Bayes – Regressione e classificazione
KNN – Regressione e classificazione
Negli ensemble possiamo prendere insieme una foresta casuale, Adaboost, XG boost e altri algoritmi. Questi possono essere usati sia per la classificazione che per la regressione.
L’insieme può essere inteso come un gruppo di più classificatori / regressori indipendentemente dal fatto che sia lo stesso o meno, che lavorano per lo stesso scopo.
Passaggio 3. Preparazione di visualizzazioni pulite
Ora veniamo alle visualizzazioni:
Cose da tenere a mente durante la visualizzazione dei rapporti.
Può mostrare il raggruppamento delle classi utilizzando il grafico a dispersione
Il grafico a dispersione non deve essere utilizzato quando sono presenti troppi punti dati.
Un confronto di classi può essere dimostrato tramite istogrammi.
I grafici a torta possono essere utilizzati per un’analisi comparativa.
I grafici a linee semplici possono essere utilizzati per analizzare i rapporti che presentano deviazioni frequenti come quella delle azioni.
Avere molti punti dati su un grafico a dispersione lo fa sembrare goffo e quindi non è un buon rapporto da mostrare di fronte a tutte le parti interessate. Quindi si consiglia di non utilizzare grafici a dispersione in questi casi.
Conclusione
L’articolo aveva lo scopo di creare una consapevolezza generale dei suggerimenti sull’apprendimento automatico per i principianti. L’articolo copre alcune cose da fare e da non fare generali per lo stesso.
