Gépi tanulási bináris opciók
Átírás 1 Gépi tanulás a gyakorlatban Kiértékelés és Klaszterezés 2 Hogyan alkalmazzuk sikeresen a gépi tanuló módszereket? Hogyan válasszuk az algoritmusokat? Hogyan hangoljuk a paramétereiket?
Precízebben: Tegyük fel, hogy tanítunk egy Logisztikus regressziót és azt tapasztaljuk, hogy a tanítás után elfogadhatatlanul nagy a hiba. Mit tegyünk?
A mély tanulás elmagyarázta
Opciók: Kiértékelés Nagyobb tanító adatbázist szerzünk. Ez mindig segít?
Remove points between: 0, 0. A Praat programban a "Create KlattGrid Az artikulációs szintézis esetén különféle artikulációs paraméterek beállításával nyílik lehetőség beszédhangok szintetizálására, amelyhez a "Speaker" és az "Artword" objektum használható fel. A "Speaker" objektum létrehozásakor például megadhatjuk a beszélő nemét férfi, nő, gyermekaz "Artwort" objektum segítségével pedig a beszédszervek működését tudjuk egy szerkesztő ablakban numerikus paraméterekkel szabályozni 9.
Kisebb jellemzőkészlet használata Újabb várhatóan reprezentatívabb jellemzők keresése Új jellemzők bevezetése a meglévők alapján pl. RBF-ek vagy kernelek használata Regularizációs paraméter állítása 3 Kiértékelés: Ahhoz, hogy leteszteljük egy tanítást szükség van egy kiértékelő halmazra teszt halmazra, evaluation set és egy kiértékelési metrikára Ennek függetlennek kell lennie a tanító halmaztól!
Viszont karakterisztikájában meg kell egyeznie azzal! Ezek átlagolása az adatbázison. Kiegyensúlyozatlan eset?
Így ezzel szállítjuk a modellt a megrendelőnek, aki némi használat után elégedetlenségét fejezi ki rossz a modell. Mi történt? Ennek igaznak kell lennie az emberi tényezőre is!
Külső konzulens: Dr.
Mi lehet az oka. Tipikus esetek: Alultanulás gépi tanulási bináris opciók bias problem, underfitting a modell nem képes reprezentálni az adatpontokat, nem elég rugalmas az adott tanulási feladathoz Túltanulás high variance problem, overfitting a modell túl rugalmas, túlreprezentálja a tanuló halmazt, azaz a tanuló mennyit kell befektetni a bitcoin bányászatba sajátosságait is képes elkapni, a leírt sokaság általános tulajdonságain túl 8 Kiértékelés Vizsgáljuk meg a korábban említett polinomiális regresszió fokszáma függvényében a tanuló és validációs hiba alakulását.
Túltanuláson segít, mivel összébb húzza a tanító halmaz mérete függvényében kirajzolt költségeket előző slide Kisebb jellemzőkészlet használata Túltanuláson segít, hiszen sűríti a teret, a dimenzió csökkentése által Újabb várhatóan reprezentatívabb jellemzők keresése Jobban tanulhatóvá teszi a problémát Új jellemzők bevezetése a meglévők alapján pl.
RBF-ek vagy kernelek használata Alultanuláson segít, mivel lehetővé teszi, hogy bonyolultabb döntési felületet tanuljunk egyszerű modellel.
Kategória: automata kereskedés A robotok és a mesterséges intelligencia korában élünk.
Regularizációs paraméter állítása: Csökkentés Segíti az alultanulás elkerülését Növelés Segíti a túlillesztés elkerülését 13 Kiértékelés Gépi tanulási bináris opciók tanulási algoritmusok alkalmazása: Alkalmazzuk a legegyszerűbb algoritmusokat Vizsgáljuk a paraméterek és a tanuló halmaz méretének függvényében a költség hiba alakulását a validációs halmazon Indokoljuk meg a hibát célirányosan javítjuk Figyeljünk arra, hogy a teszthalmaz független legyen Manuálisan se használjuk paraméter hangolásra Használjunk Fold Cross Validation-t tényleges randommal, hogy megbízhatóbb eredményeket kapjunk.
A jól tanulható, már ismert adathalmazon tanítsuk a végleges modellt 14 Klaszterezés Felügyelet nélküli módszer Csak a tanító adatpontok adottak, nincs segéd információ címkék Cél: az adatbázis belső struktúrájának feltérképezése segítségével tanulni Klaszterezés esetén: Csoportok detektációja: az egymáshoz közeli egyedek kerüljenek egy csoportba, mialatt a klaszterek csoporotok legyenek egymástól a lehető legtávolabb Alkalmazási példák: 15 Klaszterezés - Gépi tanulási bináris opciók.
