
课程咨询: 400-996-5531 / 投诉建议: 400-111-8989
认真做教育 专心促就业
机器学习是人工智能技术学习应用中非常重要的一个领域,下面我们就通过案例分析来了解一下,机器学习需要掌握哪些方法。
机器学习有三个不同的学习(也称为训练)阶段:训练、验证和测试。在开始之前,必须确保数据组织良好且无误。尽管这一概念很简单,但将数据转换为有序性可能是一个耗时且面向细节的过程,可能需要人工处理。
其目标是数据不存在重复、拼写错误和断开连接。在清理之后,数据被随机分成三组,分别用于三个训练阶段。随机数据划分的目的是阻止选择数据偏差。
以下是一些与模型创建相关的定义:
•参数。模型参数是机器学习软件在训练过程中从人工智能输入数据自动学习的值,尽管用户可以在训练过程中人工更改参数值。例如,会话期间要进行的大通过次数和训练数据的大模型大小(以字节为单位)。
•超参数。超参数位于机器学习外部,由数据科学家用户预先输入,因此超参数不是从人工智能数据中派生出来的,可以在训练过程中更改。超参数的例子包括使用聚类算法时返回的簇数和神经网络中的层数。
•变量。机器学习软件会选择特定的人工智能数据输入字段,并在训练过程中使用额外的变量。其变量可以是年龄、身高和体重。
在开始训练(一阶段)之前,给数据添加标签是很重要的,这样机器学习软件就可以继续从数据中获取重要的线索,以帮助它学习。无监督学习不需要添加标签。机器学习软件的默认参数值也可以用来启动或参数可以单独更改。
准确性测试模型
当训练阶段满足成功标准时,就进入了验证阶段。一遍使用一组新的数据。如果结果良好,就进入后的测试阶段。
如果没有得到理想的结果,则可以让机器学习软件对数据进行额外的传递,直到机器学习软件没有显示新的模式或达到大的传递次数。随着训练的推进,这些参数由机器学习软件或管理它的人员自动修改。
【免责声明】:本内容转载于网络,转载目的在于传递信息。文章内容为作者个人意见,本平台对文中陈述、观点保持中立,不对所包含内容的准确性、可靠性与完整性提供形式地保证。请读者仅作参考。更多内容请加danei0707学习了解。欢迎关注“达内在线”参与分销,赚更多好礼。