8-mavzu: mashinada o'qitish turlari va klassifikatsiyasi

Logistik regressiya
Logistik regressiya bu o'zgaruvchilardan o'zaro bog'liqlikni aniqlash usulidir, ulardan biri qat'iyan bog'liq, boshqalari esa mustaqil. Buning uchun logistik funktsiyadan (akkumulyativ logistik taqsimot) foydalaniladi. Logistik regressiyaning amaliy qiymati shundaki, u bir yoki bir nechta mustaqil o'zgaruvchini o'z ichiga olgan voqealarni bashorat qilishning kuchli statistik usuli hisoblanadi. Bu quyidagi holatlarda foydalidir:
kredit skoringi;
reklama kampaniyalarining muvaffaqiyatini o'lchash;
ma'lum bir mahsulot uchun foyda prognozi;
ma'lum bir sanada zilzila ehtimolini taxmin qilish.
Vektorli mashinani qo'llab-quvvatlash (SVM)
Bu tasniflash va regressiya tahlili masalalarini hal qilish uchun zarur bo'lgan algoritmlarning butun to'plamidir. N o'lchovli kosmosdagi ob'ekt ikki sinfdan biriga tegishli ekanligiga asoslanib, qo'llab-quvvatlovchi vektor mashinasi barcha ob'ektlar ikki guruhdan birida bo'lishi uchun (N - 1) o'lchovli giperplan tuzadi. Qog'ozda uni quyidagicha ifodalash mumkin: ikki xil nuqtalar mavjud va ularni chiziqli ajratish mumkin. Ushbu usul nuqtalarni ajratishdan tashqari, har bir guruhning eng yaqin nuqtasidan iloji boricha giperplane hosil qiladi.
SVM va uning modifikatsiyalari DNKning birikishi, fotosuratdan odamning jinsini aniqlash, veb-saytlarda reklama bannerlarini namoyish qilish kabi murakkab mashina o'rganish muammolarini hal qilishga yordam beradi.


Ansambllar usuli
Bu tasniflagichlar to'plamini yaratadigan va ularning o'rtacha yoki ovoz berish natijalariga ko'ra barcha olingan ob'ektlardan yangi ob'ektlarni ajratib turadigan mashinalarni o'rganish algoritmlariga asoslanadi. Dastlab ansambl usuli Bayesning o'rtacha ko'rsatkichi bo'lgan, ammo keyinchalik u yanada murakkablashdi va qo'shimcha algoritmlar bilan to'lib toshdi:
kuchaytirish - klassifikatorlar ansamblini shakllantirish orqali zaif modellarni kuchli modellarga aylantiradi (matematik nuqtai nazardan, bu yaxshilanadigan kesishma);
sumkalash - murakkab klassifikatorlarni yig'adi, shu bilan bir vaqtda asosiylarini tayyorlash (kasaba uyushmasini takomillashtirish);
chiqishni kodlash xatolarini tuzatish.
Ansambl usuli mustaqil prognozlash modellariga qaraganda kuchliroqdir, chunki:
har bir tayanch tasniflagichining xatolarini o'rtacha hisoblash orqali tasodif ta'sirini minimallashtiradi;
farqni kamaytiradi, chunki har xil farazlarga asoslangan bir nechta turli xil modellar alohida olingan natijalarga qaraganda to'g'ri natijaga erishish ehtimoli ko'proq;
to'plamdan tashqariga chiqishni istisno qiladi: agar jamlangan gipoteza asosiy farazlar to'plamidan tashqariga chiqsa, u holda birlashtirilgan gipotezani shakllantirish bosqichida u u yoki bu usul yordamida kengayadi va gipoteza allaqachon unga kiritilgan.
Xulosa
O’qituvchili o’qitish (Supervised learning) – bu modelni xususiyatlari aniq bo’lgan ma’lumotlar bilan o’qitish. Bunday turdagi o’qitish usullariga Regressiya va Sinflashtirish masalalarini misol keltirish mumkin.
Bunda xususiyatlari aniq deganda kiruvchi va chiquvchi parametrlar mavjud bo’lishi nazarda tutiladi.
Ma’lumotlarni intellektual tahlil qilish usullaridan biri bo’lib, obyekt yoki jarayonga tegishli o'zgaruvchilar o'rtasidagi o'zaro bog'liqlikni baholash uchun statistik jarayonlar to'plami hisoblanadi.
Regression tahlil chiziqli yoki nochiziqli, o’z navbatida logistik regressiya usullari asosida amalga oshiriladi.
Regression tahlil asosan bashorat qilish va prognoz qilish uchun keng qo'llaniladi va hozirda ushbu usulning ishlatilishi mashinali o’qitish sohasi bilan mos keladi.
Foydalanilgan adabiyotlar
1. Aurelian Geron, Hands on Machine Learning with Scikit-Learn Keras&Tensorflow // Second edition Concepts, Tools, and Techniques to Build Intelligent Systems, 2019, 510 pages
2. https://www.geeksforgeeks.org/ml-types-learning-supervised-learning/ 3. https://www.guru99.com/unsupervised-machine-learning.html
4. https://www.w3schools.com/python/python_ml_linear_regression.asp 5. https://www.w3schools.com/python/python_ml_multiple_regression.asp 6.https://www.w3schools.com/python/python_ml_polynomial_regression.asp
7. https://www.mathworks.com/help/stats/regress.html