Terminologie du ML
Les principales terminologies d'apprentissage automatique sont :
- Des relations
- Étiquettes
- Caractéristiques
- Des modèles
- Entraînement
- Inférence
Des relations
Les systèmes d'apprentissage automatique utilisent les relations entre les entrées pour produire des prédictions .
En algèbre, une relation s'écrit souvent comme y = ax + b :
- y est l'étiquette que nous voulons prédire
- a est la pente de la droite
- x sont les valeurs d'entrée
- b est l'ordonnée à l'origine
Avec ML, une relation s'écrit y = b + wx :
- y est l'étiquette que nous voulons prédire
- w est le poids (la pente)
- x sont les caractéristiques (valeurs d'entrée)
- b est l'ordonnée à l'origine
Étiquettes d'apprentissage automatique
Dans la terminologie de Machine Learning, l' étiquette est la chose que nous voulons prédire .
C'est comme le y dans un graphique linéaire :
Algèbre | Apprentissage automatique |
y = hache + b | y = b + wx |
Fonctionnalités d'apprentissage automatique
Dans la terminologie Machine Learning, les fonctionnalités sont l' entrée .
Ils sont comme les valeurs x dans un graphique linéaire :
Algèbre | Apprentissage automatique |
y = une X + b | y = b + w x |
Parfois, il peut y avoir de nombreuses caractéristiques (valeurs d'entrée) avec des pondérations différentes :
y = b + w1x1 + w2x2 + w3x3 + w4x4 _ _ _ _ _
Modèles d'apprentissage automatique
Un modèle définit la relation entre l'étiquette (y) et les caractéristiques (x).
Il y a trois phases dans la vie d'un modèle :
- Collecte de données
- Entraînement
- Inférence
Formation en apprentissage automatique
Le but de la formation est de créer un modèle qui peut répondre à une question. Comme quel est le prix prévu pour une maison?
Inférence d'apprentissage automatique
L'inférence se produit lorsque le modèle formé est utilisé pour déduire (prédire) des valeurs à l'aide de données en direct. Comme mettre le modèle en production.