Βίντεο: Aaron Beck, για τη Γνωσιακή θεραπεία 2024
Μόλις έχετε όλα τα εργαλεία και τα δεδομένα που είναι απαραίτητα για να ξεκινήσετε τη δημιουργία ενός προγνωστικού μοντέλου, αρχίζει η διασκέδαση. Γενικά, η δημιουργία ενός μοντέλου μάθησης για εργασίες ταξινόμησης θα περιλαμβάνει τα ακόλουθα βήματα:
-
Φορτώστε τα δεδομένα.
-
Επιλέξτε έναν ταξινομητή.
-
Εκπαιδεύστε το μοντέλο.
-
Προβολή του μοντέλου.
-
Ελέγξτε το μοντέλο.
-
Αξιολογήστε το μοντέλο.
Τόσο τα μοντέλα ταξινόμησης της λογιστικής παλινδρόμησης όσο και του μοντέλου διαμόρφωσης (SVM) υποστηρίζουν αρκετά καλά χρησιμοποιώντας το σύνολο δεδομένων Iris.
Μήκος Sepal | Πλάτος Sepal | Μήκος Πεταλούδας | Πλάτος Petal | Κλάση / Ετικέτα Target |
---|---|---|---|---|
5. 1 | 3. 5 | 1. 4 | 0. 2 | Setosa (0) |
7. 0 | 3. 2 | 4. 7 | 1. 4 | Versicolor (1) |
6. 3 | 3. 3 | 6. 0 | 2. 5 | Virginica (2) |
Για ένα μεγαλύτερο σύνολο δεδομένων με μη γραμμικά διαχωρίσιμα δεδομένα, αναμένετε τα αποτελέσματα να αποκλίνουν ακόμη περισσότερο. Επιπλέον, η επιλογή του κατάλληλου μοντέλου καθίσταται όλο και πιο δύσκολη λόγω της πολυπλοκότητας και του μεγέθους των δεδομένων. Να είστε έτοιμοι να περάσετε πολύ χρόνο ρύθμισης παραμέτρων σας για να πάρετε μια ιδανική εφαρμογή.
Κατά τη δημιουργία προγνωστικών μοντέλων, δοκιμάστε μερικούς αλγόριθμους και εξομαλύνετε εξαντλητικά τις παραμέτρους τους μέχρι να βρείτε τι λειτουργεί καλύτερα για τα δεδομένα σας. Στη συνέχεια, συγκρίνετε τις αποδόσεις μεταξύ τους.