Машиналық оқытудың алгоритмдері

жүктеу 173,05 Kb.

Дата	09.10.2022
өлшемі	173,05 Kb.
	#39578
түрі	Сабақ

Машиналық оқытудың алгоритмдері2

Машиналық оқытудың алгоритмдері.
Машиналық оқытудың төрт негізгі бағыты бар. Соңғы сабақта біз машиналық оқытудың классикалық бағытын анықтадық. Бүгін біз нығайтумен оқыту және ансамбльдер туралы білетін боламыз.
Нығайтумен оқыту мәселесі деректермен емес, өмір сүретін орта жағдайларында қолданылады. Мысалы, видео ойындар әлемінде немесе жаяу жүргіншілерді қағып кетпеуді үйренетін «Тесла» автопилоты үшін жасалынған қалада, т.б.
Автопилот әлемдегі жол қозғалысының барлық ережесін білсе де, көлікті басқаруды үйрене алмайды. Қанша дерек жинасақ та, барлық ықтимал жағдайларды көре алмаймыз. Сондықтан оның мақсаты – барлық қадамды болжау емес, қателерді азайту.
Нығайтумен оқытудың негізгі идеясы – қоршаған ортада өмір сүруді үйрету. Сол үшін тиімді жол виртуалды қала салып, автомобильге қала жолдарының қыр-сырын өз бетінше үйренуіне мүмкіндік жасау. Яғни бұл оқытудың басты мақсаты барлық жолды алдын ала болжау емес, қателерді азайту.
Нығайтумен оқытудың екі түрлі тәсілі бар: модельге негізделген және модельсіз.
Модельге негізделген оқытуда автомобиль картаны немесе оның бөліктерін есте сақтауы керек. Бұл өте ескірген тәсіл. Өйткені машина барлық планетаны есіне сақтай алмайды.
Модельсіз оқытуда автомобиль әр қимылды жаттамайды, бірақ кез келген жағдайда ұтымды әрекет етуге тырысады.
Нығайтумен оқыту мына мақсатта қолданылады:
Өзін-өзі басқаратын автомобильдер;
Шаңсорғыш роботтар;
Ойындар;
Сауданы автоматтандыру.
Ансамбльдер бүгінгі таңда нақты нәтиже береді және өндірісте кеңінен қолданылады. Тиімділігі жоғары болса да, ансамбльдердің идеясы қарапайым. Егер сіз тиімсіз алгоритмдерді алып, оларды бір-бірінің қателіктерін түзетуге мәжбүр етсеңіз, жүйенің жалпы сапасы тіпті ең жақсы жеке алгоритмдерге қарағанда жоғары болады. Ансамбльді құру үшін кез келген алгоритмдерді пайдалана аламыз.
Оларды жасаудың үш дәлелденген тәсілі бар:

Стекинг. Әртүрлі алгоритмнің нәтижесі соңғы шешім қабылдайтын алгоритмге соңғы кіріс деректері ретінде беріледі.

Мұнда екпін «әртүрлі» деген сөзге аударылған. Бір деректерге бірдей алгоритмдерді қолданудың мағынасы жоқ. Қай алгоритмді таңдау тек сізге байланысты. Алайда әдетте соңғы шешім моделі ретінде регрессия қолданылады.
Қалған екі әдіс нақты нәтижелер беретіндіктен, іс жүзінде стекинг сирек қолданылады.

Беггинг. Біз деректерден бір алгоритмді кездейсоқ таңдап, бірнеше рет оқытамыз. Ең Соңында орташа жауапты аламыз. Кездейсоқ таңдауда деректер қайталануы мүмкін.

Мысалы, «4-5-6» сияқты жиынтықтан біз «5-5-6», «4-5-5», «6-4-5» және тағы басқа үлгілерді ала аламыз. Біз осы жаңа деректер жиынтығын алгоритмді бірнеше рет оқыту үшін қолданып, одан кейін көпшілік даусымен соңғы жауапты болжаймыз.

Бустинг. Бұл жағдайда алгоритмдерде реттілікке аса қатты мән береді. Әрбір алгоритм алдындағы алгоритмнің қатесіне назар аударады.

Біз бэггингтегідей деректердің үлгісін қолданамыз, бірақ бұл жолы олар кездейсоқ таңдалмайды. Мұнда біз алдыңғы алгоритм өңдей алмаған деректердің бір бөлігін аламыз. Осылайша біз жаңа алгоритмді алдыңғы қателерді түзетуге үйретеміз.
Бустингтің басты артықшылығы – өте жоғары, тіпті заңсыз жіктеу дәлдігі.

Ансамбльдер мына мақсатта қолданылады:

Барлық классикалық алгоритмнің функциялары;
Іздеу машиналары;
Компьютерлік көру;
Объектілерді тану.

жүктеу 173,05 Kb.

Достарыңызбен бөлісу: