Makine öğreniminin temelleri hakkında bir öğreticiyi takip ediyorum ve bir şeyin bir özellik veya bir etiket olabileceğinden bahsediliyor .
Bildiğim kadarıyla bir özellik, kullanılan verilerin bir özelliğidir. Etiketin ne olduğunu çözemiyorum, kelimenin anlamını biliyorum ama makine öğrenimi bağlamında ne anlama geldiğini bilmek istiyorum.
Yanıtlar:
Kısaca özellik giriştir; etiket çıktı. Bu hem sınıflandırma hem de regresyon problemleri için geçerlidir.
Özellik, giriş kümenizdeki verilerin bir sütunudur. Örneğin, birinin seçeceği evcil hayvan türünü tahmin etmeye çalışıyorsanız, girdi özellikleriniz yaş, ev bölgesi, aile geliri vb. İçerebilir. Etiket, köpek, balık, iguana, rock gibi son seçimdir. vb.
Modelinizi eğittikten sonra, ona bu özellikleri içeren yeni girdiler vereceksiniz; o kişi için tahmin edilen "etiketi" (evcil hayvan türü) döndürecektir.
Özellik:
Makine Öğreniminde özelliği, eğitim verilerinizin özelliği anlamına gelir. Veya eğitim veri kümenizde bir sütun adı söyleyebilirsiniz.
Bunun eğitim veri kümeniz olduğunu varsayalım
Height Sex Age
61.5 M 20
55.5 F 30
64.5 M 41
55.5 F 51
. . .
. . .
. . .
. . .
O zaman burada Height, Sexve Ageözelliklerdir.
etiket:
Eğitimden sonra modelinizden aldığınız çıktıya etiket denir.
Yukarıdaki veri kümesini bir algoritmaya beslediğinizi ve cinsiyeti Erkek veya Kadın olarak tahmin etmek için bir model oluşturduğunuzu varsayalım. Yukarıdaki modelde age,height vb.
Yani hesapladıktan sonra cinsiyeti Erkek veya Kadın olarak döndürecektir. Buna Etiket denir
İşte kavramı açıklamak için daha görsel bir yaklaşım geliyor. Bir fotoğrafta gösterilen hayvanı sınıflandırmak istediğinizi hayal edin.
Olası hayvan sınıfları, örneğin kediler veya kuşlardır. Bu durumda etiket , makine öğrenimi algoritmanızın tahmin edeceği olası sınıf ilişkileri, örneğin kedi veya kuş olabilir.
Özellikler desen, renk, resimlerinizi mesela furr, tüyler, ya da daha düşük seviyeli yorumu, piksel değerleri parçası olan şekilleridir.
Etiket: Kuş
Özellikleri: Tüyler
Etiket: Kedi
Özellikleri: Furr
El yazısı fotoğrafları kullanarak alfabeyi tespit etmek istediğimiz bir örnek alalım. Bu örnek görüntüleri programa besliyoruz ve program bu görüntüleri sahip oldukları özelliklere göre sınıflandırıyor.
Bu bağlamdaki bir özelliğe örnek: mektup 'C' , içbükey sağa dönük bir şekilde düşünülebilir.
Şimdi bu özelliklerin nasıl saklanacağına dair bir soru ortaya çıkıyor. Onlara isim vermeliyiz. İşte ortaya çıkan etiketin rolü. Bu tür özelliklere , diğer özelliklerden ayırmak için bir etiket verilir .
Böylece girdi olarak özelliklerle birlikte sağlandığında çıktı olarak etiket elde ederiz .
Etiketler, denetimsiz öğrenmeyle ilişkili değildir .
Önkoşul: Temel İstatistikler ve Makine Öğrenimine maruz kalma (Doğrusal Regresyon)
Bir cümle ile cevaplanabilir -
Birbirlerine benziyorlar ama tanımları ihtiyaçlara göre değişiyor.
İfademi açıklamama izin verin. Bir veri kümeniz olduğunu varsayalım, bu amaçla düşünün exercise.csv. Veri kümesindeki her sütun, özellikler olarak adlandırılır. Cinsiyet, Yaş, Boy, Kalp Atış Hızı, Vücut_sıcaklığı ve Kalori çeşitli sütunlardan biri olabilir. Her sütun, farklı özellikleri veya özelliği temsil eder.
User_ID Gender Age Height Weight Duration Heart_Rate Body_Temp Calories
14733363 male 68 190.0 94.0 29.0 105.0 40.8 231.0
14861698 female 20 166.0 60.0 14.0 94.0 40.3 66.0
11179863 male 69 179.0 79.0 5.0 88.0 38.7 26.0
Anlayışı pekiştirmek ve bulmacayı çözmek için iki farklı problemi ele alalım (tahmin durumu).
ÖRNEK 1: Bu durumda egzersiz sırasında yakılan Kalori miktarını tahmin etmek için Cinsiyet, Boy ve Kilo kullanmayı düşünebiliriz. Bu tahmin (Y) Kalori burada bir Etikettir . Kalori , - x1: Cinsiyet, x2: Yükseklik ve x3: Ağırlık gibi çeşitli özellikleri kullanarak tahmin etmek istediğiniz sütundur .
ÖRNEK2: Buradaki ikinci durumda, Cinsiyet ve Ağırlığı bir özellik olarak kullanarak Kalp_ hızını tahmin etmek isteyebiliriz. İşte HEART_RATE bir olduğunu Etiket kullanılarak tahmin özellikleri - x1: Cinsiyet ve x2: Ağırlık .
Yukarıdaki açıklamayı anladıktan sonra, artık Etiket ve Özellikler ile gerçekten karıştırılmayacaksınız.
Kısaca açıklanan bir özellik, sisteme beslediğiniz girdi ve etiket de beklediğiniz çıktı olacaktır. Örneğin, bir köpeğin boyu, kürk rengi vb. Gibi birçok özelliğini beslediniz, bu nedenle hesaplama yaptıktan sonra bilmek istediğiniz köpeğin cinsini geri getirecektir.
İklimi tahmin etmek istediğinizi varsayalım, o zaman size verilen özellikler tarihi iklim verileri, mevcut hava durumu, sıcaklık, rüzgar hızı vb. Ve etiketler aylar olacaktır. Yukarıdaki kombinasyon, tahminler elde etmenize yardımcı olabilir.