Πώς να χρησιμοποιήσετε το Supervised Analytics για την Εκπαίδευση Προγνωστικών Μοντέλων - dummies

Στο και η προτιμώμενη παραγωγή αποτελεί μέρος των δεδομένων εκπαίδευσης. Το πρότυπο μοντέλο ανάλυσης παρουσιάζεται με τα σωστά αποτελέσματα ως μέρος της μαθησιακής διαδικασίας. Μια τέτοια εποπτευόμενη μάθηση αναλαμβάνει προ-ταξινομημένα παραδείγματα: Ο στόχος είναι να αποκτηθεί το μοντέλο να μαθαίνει από την προηγούμενη γνωστή ταξινόμηση, ώστε να μπορεί να επισημάνει σωστά το επόμενο άγνωστο σημείο δεδομένων με βάση αυτό που έχει μάθει.

Όταν ολοκληρωθεί η εκπαίδευση του μοντέλου, συνάγεται μαθηματική συνάρτηση εξετάζοντας τα δεδομένα εκπαίδευσης. Αυτή η λειτουργία θα χρησιμοποιηθεί για την επισήμανση νέων σημείων δεδομένων.

Για να λειτουργήσει σωστά αυτή η προσέγγιση, τα δεδομένα εκπαίδευσης - μαζί με τα δεδομένα δοκιμών - πρέπει να επιλεγούν προσεκτικά. Το εκπαιδευμένο μοντέλο θα πρέπει να είναι σε θέση να προβλέψει γρήγορα και με ακρίβεια τη σωστή ετικέτα για ένα νέο σημείο δεδομένων, βάσει των τύπων δεδομένων που έχει δει το μοντέλο στα δεδομένα εκπαίδευσης.

Οι εποπτικές αναλύσεις προσφέρουν μερικά ξεχωριστά πλεονεκτήματα:

Ο αναλυτής είναι υπεύθυνος για τη διαδικασία.

• Η επισήμανση βασίζεται σε γνωστές ταξινομήσεις.

• Τα σφάλματα επισήμανσης μπορούν εύκολα να επιλυθούν.

• Η πλευρά των πλεονεκτημάτων αυτών είναι ένα εξίσου διαφορετικό σύνολο δυνητικών μειονεκτημάτων:

Τα τυχόν λάθη κατά τη διάρκεια της εκπαίδευσης θα ενισχυθούν αργότερα.

• Η ταξινόμηση που παρέχεται από τον αναλυτή δεν μπορεί να περιγράψει επαρκώς ολόκληρο τον πληθυσμό.

• Το μοντέλο μπορεί να μην μπορεί να ανιχνεύσει κλάσεις που αποκλίνουν από το αρχικό σετ εκπαίδευσης.

• Η υπόθεση ότι οι συστάδες εντός των δεδομένων δεν επικαλύπτονται - και ότι μπορούν εύκολα να διαχωριστούν - ενδέχεται να μην είναι έγκυρη.