- Makine Öğrenmesi Nasıl Çalışır'ı kendi kelimelerinizle tanımlayın ve açıklayın
- Model gibi temel terimleri doğru kullanın
- Öğrendiklerinizi yeni örnek ve sorulara uygulayın
- Bu konuda öğrencilerin yaptığı yaygın hatalardan kaçının
Bu ders, Makine Öğrenmesi Nasıl Çalışır'a odaklanır: modellerin eğitim verisinden kalıpları nasıl öğrendiğini ve neden başarısız olduklarını kavrayın.
Modellerin eğitim verisinden kalıpları nasıl öğrendiğini ve neden başarısız olduklarını kavrayın.
Temel fikirler
Modeller kalıpları öğrenir, gerçekleri ezberlemez
Bir model, mevcut veriyle eğitildikten sonra yeni veriye uygulanabilen, öğrenilmiş kurallar ya da istatistiksel ilişkiler kümesidir. Örneğin, spam filtresini etiketlenmiş e-postalarla eğitirsiniz; o da "spam" yazımı ile spam olma arasındaki ilişkiyi öğrenir. Modeli eğitmek, kuralları yazmaktan çok parametreleri veriye uydurmaktır; kalıpları bulma işini algoritma yapar.
Eğitimdeki hatalar da öğrenilir
Eğitim verisi geçmişteki adaletsizliği yansıtıyorsa model onu da öğrenir — bu yüzden temsil gücü ve ölçütler önemlidir. Aşırı öğrenmede model eğitim verisini o kadar yakından ezberler ki yeni örneklerde başarısız olur; veri sızıntısında ise cevap eğitim kümesine taşıdığı için ölçümler şişer.
Terim — model: Mevcut veri kullanılarak eğitildikten sonra yeni veriye uygulanabilen, öğrenilen kurallar ya da istatistiksel ilişki kümesi.
Bir model eğitim verisini o kadar yakından ezberler ki yeni örneklerde başarısız olur. Bu duruma ne denir?
Aşırı öğrenme — modelin genellemeyi öğrenip öğrenmediğini düşünün.
Cevap: Aşırı öğrenme — modelin genellemeyi öğrenip öğrenmediğini düşünün.
- Veri sızıntısı Düzeltme: özelliğin test kümesinde bulunmayacak bilgiyi kodladığını her zaman kontrol edin.
- Farklı gruplar için ayrı ölçüm yapmamak Düzeltme: toplam doğruluğu bir kenara bırakıp adillik ölçütlerini her bir grup için ayrı ayrı değerlendirin.
Alıştırma
Eğitim verisindeki geçmiş önyargı — model, geçmişteki haksız kalıpları öğrendi.
Temsili olmayan örneklem — model o grup için güvenilir karar veremez.
Yanlış — bu aşırı öğrenme belirtisidir; doğruluğu görünmemiş veriyle test edin.
Veri sızıntısı.
Kısa kontrol
Aşağıdakilerden hangisi "model"i en iyi tanımlar?
Bir model eğitim verisini o kadar yakından ezberler ki yeni örneklerde başarısız olur. Bu duruma ne denir?
Doğru mu yanlış mı: Yüksek doğruluk, modelin adil olduğu anlamına gelir.
- Makine Öğrenmesi Nasıl Çalışır: modellerin eğitim verisinden kalıpları nasıl öğrendiğini ve neden başarısız olduklarını kavrayın.
- Modeller kalıpları öğrenir, gerçekleri ezberlemez: Bir model, mevcut veriyle eğitildikten sonra yeni veriye uygulanabilen, öğrenilmiş kurallar ya da istatistiksel ilişkiler kümesidir.
- Yanlılık: Bazı grupları sistematik olarak daha iyi ya da daha kötü etkileyen, verideki ya da modeldeki çarpıklık — örneğin eğitime sokulan önyargılar gibi.
- Dikkat edin: veri sızıntısı