Klassifikationsmodelle in der Schulung zum maschinellen Lernen Ppt

Folie 1

Diese Folie gibt einen Überblick über die logistische Regression, eine Art Regressionsanalyseansatz, der angewendet wird, wenn die abhängige Variable diskontinuierlich ist: Zum Beispiel 0 oder 1, wahr oder falsch und so weiter. Die Logit-Funktion wird in der logistischen Regression verwendet, um den Zusammenhang zwischen der Zielvariablen und den unabhängigen Variablen zu bewerten.

Folie 2

Diese Folie zeigt, dass KNN ein einfacher Algorithmus ist, der alle vorhandenen Instanzen behält und neue Fälle basierend auf der Mehrheitsentscheidung seiner k Nachbarn klassifiziert.

Hinweise des Dozenten:

KNN kann mit einer Analogie aus dem wirklichen Leben verstanden werden. Wenn Sie beispielsweise mehr über jemanden erfahren möchten, chatten Sie mit seinen Freunden und Kollegen.

Bedenken Sie Folgendes, bevor Sie sich für den K Nearest Neighbors-Algorithmus entscheiden:

• Die Berechnung und Ermittlung von KNN ist kostspielig
• Variablen sollten normalisiert werden, da Variablen mit einem größeren Bereich sonst zu einer Verzerrung des Algorithmus führen
• Die Daten müssen noch vorverarbeitet werden

Folie 3

Auf dieser Folie heißt es, dass Naive Bayes eine probabilistische Technik des maschinellen Lernens ist, die auf dem Bayes-Theorem basiert und für eine Vielzahl von Klassifizierungsproblemen verwendet wird. Ein Naive-Bayesian-Modell ist einfach zu erstellen und funktioniert gut mit großen Datenmengen. Es ist einfach zu bedienen und übertrifft selbst die ausgefeiltesten Klassifizierungsalgorithmen.

Folie 4

Diese Folie zeigt, dass der SVM-Algorithmus ein Klassifizierungsprozess ist, bei dem Rohdaten als Punkte in einem n-dimensionalen Raum angezeigt werden (n ist die Anzahl der vorhandenen Features). Der Wert jedes Merkmals wird dann einem bestimmten Ort zugeordnet, wodurch die Kategorisierung der Daten vereinfacht wird. Klassifikatorlinien können Daten unterteilen und in einem Diagramm darstellen.