Я слежу за учебником об основах машинного обучения и упоминается, что что-то может быть признаком или ярлыком.
Из того, что я знаю, функция является свойством данных, которые используются. Я не могу понять, что такое ярлык, я знаю смысл слова, но я хочу знать, что это значит в контексте машинного обучения.
Вкратце, функция является входной; метка выводится. Это относится как к классификации, так и к проблемам регрессии.
Особенностью является один столбец данных в вашем входном наборе. Например, если вы пытаетесь предсказать тип домашнего животного, которое кто-то выберет, ваши входные данные могут включать возраст, домашний регион, семейный доход и т.д. Этикетка является окончательным выбором, например, собака, рыба, игуана, рок, и т.п.
После того, как вы обучите свою модель, вы дадите ей наборы новых входных данных, содержащих эти функции; он вернет предсказанный "ярлык" (тип питомца) для этого человека.
Особенность:
Под функцией машинного обучения подразумевается свойство ваших тренировочных данных. Или вы можете сказать имя столбца в вашем учебном наборе данных.
Предположим, это ваш тренировочный набор данных
Height Sex Age
61.5 M 20
55.5 F 30
64.5 M 41
55.5 F 51
. . .
. . .
. . .
. . .
Тогда здесь Height, Sex и Age - это особенности.
этикетка :
Результат, который вы получаете от вашей модели после обучения, называется меткой.
Предположим, что вы использовали указанный выше набор данных для какого-либо алгоритма и сгенерировали модель для прогнозирования пола как мужчины или женщины. В приведенной выше модели вы передаете такие функции, как age, height и т.д.
Таким образом, после вычисления он вернет пол как мужской или женский. Это называется лейблом
Возьмем пример, где мы хотим обнаружить алфавит с помощью рукописных фотографий. Мы загружаем эти образцы изображений в программу, и программа классифицирует эти изображения на основе полученных ими функций.
Примером функции в этом контексте является: буква 'C' может рассматриваться как вогнутая, обращенная вправо.
Теперь возникает вопрос о том, как хранить эти функции. Мы должны назвать их. Здесь возникает роль метки. Этим признакам присваивается метка, чтобы отличать их от других функций.
Таким образом, мы получаем метки как выходные данные, когда они снабжены функциями в качестве входных данных.
Этикетки не связаны с неконтролируемым обучением.
Кратко объясненная функция - это вход, который вы подали в систему, и ярлык будет выводом, который вы ожидаете. Например, вы загрузили множество особенностей собаки, таких как его высота, цвет меха и т.д., Поэтому после вычислений она вернет породу собаки, которую вы хотите знать.
Здесь приходит более визуальный подход для объяснения концепции. Представьте, что вы хотите классифицировать животное, показанное на фотографии.
Возможные классы животных, например, кошки или птицы. В этом случае меткой будут возможные ассоциации классов, например, кошка или птица, которые будет предсказывать ваш алгоритм машинного обучения.
К особенностям относятся рисунок, цвета, формы, которые являются частью ваших изображений, например, мех, перья или более низкоуровневая интерпретация, значения пикселей.
Метка: птица
Особенности: Перья
Ярлык: кот
Особенности: Furr