یادگیری نظارت شده

یادگیری نظارت شده ( یادگیری با داده های برچسب دار ) یک وظیفه یادگیری ماشینی از یادگیری تابعی است که ورودی را به یک خروجی براساس نمونه های ورودی و خروجی ترسیم می کند. [ ۱] این یک تابع را از مجموعه آموزشی برچسب زده شده شامل مجموعه ای از مثال های آموزشی استنباط کند. [ ۲] در یادگیری نظارت شده، هر مثال یک جفت متشکل از ورودی ( به طور معمول یک بردار ) و یک مقدار خروجی دلخواه ( سیگنال نظارتی نیز نامیده می شود ) است. یک الگوریتم یادگیری نظارت شده داده های آموزش را تجزیه و تحلیل می کند و یک تابع استنباط شده تولید می کند، که می تواند برای نگاشت نمونه های جدید استفاده شود. یک سناریو بهینه این امکان را برای الگوریتم فراهم می کند تا برچسب های کلاس را برای موارد دیده نشده به درستی تعیین کند. این امر مستلزم این است که الگوریتم یادگیری از داده های آموزش به شرایط دیده نشده به روش «معقول» تعمیم یابد.
وظیفه موازی در روانشناسی انسان و حیوان اغلب به عنوان یادگیری مفهومی شناخته می شود.
برای حل مسئله یادگیری تحت نظارت، باید مراحل زیر را انجام دهید:
• نوع مثالهای آموزشی را تعیین کنید. قبل از انجام هر کار دیگری، کاربر باید تصمیم بگیرد که چه نوع داده ای به عنوان مجموعه آموزشی استفاده شود. به عنوان مثال، در مورد تجزیه و تحلیل دست خط، این ممکن است یک کاراکتر دست نویس تکی، یک کلمه دست نویس کامل یا یک خط کامل از دست خط باشد.
• یک مجموعه آموزشی جمع کنید. مجموعه آموزش باید نماینده ای از کاربرد دنیای واقعی تابع باشد؛ بنابراین، مجموعه ای از ورودی ها و خروجی های مربوط نیز از طریق متخصصان انسانی یا از اندازه گیری ها، جمع آوری می کنید.
• نمایش ویژگی ورودی تابع یادگرفته شده را تعیین کنید. دقت تابع یادگرفته شده بستگی زیادی به نحوه نمایش ورودی دارد. به طور معمول، ورودی به بردار ویژگی تبدیل می شود، که شامل تعدادی ویژگی است که توصیف کننده ورودی هستند. به دلیل مشقت چند بعدی، تعداد ویژگی ها نباید خیلی زیاد باشد. اما باید شامل اطلاعات کافی برای پیش بینی دقیق خروجی باشد.
• ساختار تابع یادگرفته شده و الگوریتم یادگیری مربوط را تعیین کنید. به عنوان مثال، مهندس ممکن است استفاده از ماشین های بردار پشتیبان یا یادگیری درخت تصمیم را انتخاب کند.
• طرح را کامل کنید. الگوریتم یادگیری را روی مجموعه آموزش جمع شده اجرا کنید. برخی از الگوریتم های یادگیری تحت نظارت کاربر را ملزم به تعیین پارامترهای کنترل خاصی می کنند. این پارامترها ممکن است با بهینه سازی عملکرد در زیر مجموعه ( مجموعه اعتبار سنجی ) مجموعه آموزشی یا از طریق اعتبار سنجی متقابل تنظیم شوند.
• دقت تابع یادگرفته شده را ارزیابی کنید. پس از تنظیم پارامتر و یادگیری، عملکرد تابع حاصل باید روی مجموعه آزمایشی که جدا از مجموعه آموزش است سنجیده شود.