ML-terminologie
De belangrijkste terminologieën voor machine learning zijn:
- Relaties
- Etiketten
- Functies
- modellen
- Opleiding
- Gevolgtrekking
Relaties
Machine learning-systemen gebruiken relaties tussen inputs om voorspellingen te produceren .
In de algebra wordt een relatie vaak geschreven als y = ax + b :
- y is het label dat we willen voorspellen
- a is de helling van de lijn
- x zijn de invoerwaarden
- b is het onderscheppen
Met ML wordt een relatie geschreven als y = b + wx :
- y is het label dat we willen voorspellen
- w is het gewicht (de helling)
- x zijn de kenmerken (invoerwaarden)
- b is het onderscheppen
Machine Learning-labels
In Machine Learning-terminologie is het label datgene dat we willen voorspellen .
Het is als de y in een lineaire grafiek:
| Algebra | Machinaal leren |
| y = ax + b | y = b + wx |
Functies voor machine learning
In Machine Learning-terminologie zijn de functies de invoer .
Ze zijn als de x -waarden in een lineaire grafiek:
| Algebra | Machinaal leren |
| y = a x + b | y = b + w x |
Soms kunnen er veel kenmerken (invoerwaarden) zijn met verschillende gewichten:
y = b + w1x1 + w2x2 + w3x3 + w4x4 _ _ _ _ _
Machine Learning-modellen
Een Model definieert de relatie tussen het label (y) en de kenmerken (x).
Er zijn drie fasen in het leven van een model:
- Gegevensverzameling
- Opleiding
- Gevolgtrekking
Machine Learning-training
Het doel van training is om een model te maken dat een vraag kan beantwoorden. Wat is bijvoorbeeld de verwachte prijs voor een huis?
Machine learning gevolgtrekking
Inferentie is wanneer het getrainde model wordt gebruikt om waarden af te leiden (voorspellen) met behulp van live gegevens. Zoals het in productie nemen van het model.