انواع مدل های یادگیری ماشین

انواع مدل های یادگیری ماشین ، فرآیند یادگیری الگوریتم از مجموعه داده های آموزشی را می توان به عنوان معلمی در نظر گرفت که بر فرآیند یادگیری نظارت می کند. ما پاسخ های صحیح را می دانیم، الگوریتم به طور مکرر روی داده های آموزشی پیش بینی می کند و توسط معلم تصحیح می شود. یادگیری زمانی متوقف می شود که الگوریتم به سطح قابل قبولی از عملکرد دست یابد. در یادگیری نظارت شده، ورودی های واضحی را برای الگوریتم یادگیری ماشین ارائه می دهید. الگوریتم می داند که از داده ها و نتیجه گیری های مورد انتظار از آن چه چیزی را یاد بگیرد. برچسب گذاری داده ها برای ایجاد یک مدل نظارت شده مهم است. شرکت ها مجموعه داده های بزرگ را به صورت روزانه جمع آوری می کنند. برچسب‌گذاری این مجموعه داده‌ها برای آسان‌تر کردن کار مدل یادگیری ماشینی
(machine learning) است. الگوریتم‌های یادگیری نظارت شده سعی می‌کنند روابط و وابستگی‌های بین خروجی، پیش‌بینی هدف و ویژگی‌های ورودی را مدل‌سازی کنند تا بتوانیم مقادیر خروجی داده‌های جدید را بر اساس آن روابطی که از مجموعه داده‌های قبلی آموخته است، پیش‌بینی کنیم.
یادگیری نظارت شده را می توان بیشتر به رگرسیون و طبقه بندی دسته بندی کرد که برای سیستم های توصیه گر و پیش بینی سری های زمانی کاربرد داد.
۱- رگرسیون در ارتباط با سری های زمانی که خروجی آن به صورت پیوسته است. هدف نهایی الگوریتم رگرسیون ترسیم بهترین خط یا منحنی بین داده ها است. سه معیار اصلی که برای ارزیابی مدل رگرسیون آموزش دیده استفاده می شود، واریانس، انحراف و خطا هستند.

۲- طبقه بندی که خروجی ها به صورت دسته ای و گسسته است و اساساً مجموعه ای از داده ها را به کلاس ها طبقه بندی می کند.

برخی از نمونه های محبوب الگوریتم های یادگیری ماشینی (machine learning) نظارت شده عبارتند از:
رگرسیون خطی برای مسائل رگرسیون.
جنگل تصادفی برای مسائل طبقه بندی و رگرسیون.
پشتیبانی از ماشین های برداری برای مسائل طبقه بندی.