Programlama ve makine öğrenmenin meraklısıyım. Sadece birkaç ay önce makine öğrenimi programlaması hakkında öğrenmeye başladım. Kantitatif bir bilim geçmişine sahip olmayan birçok kişi gibi, ben de yaygın olarak kullanılan ML paketindeki (caret R) algoritmalar ve veri setleri ile uğraşarak ML hakkında öğrenmeye başladım.
Bir süre önce, yazarın ML'deki doğrusal regresyonun kullanımı hakkında konuştuğu bir blogu okudum. Doğruyu hatırlıyorsam, sonunda bütün makine öğreniminin, doğrusal ya da doğrusal olmayan problemlerde bile bir çeşit "doğrusal regresyon" kullandığından (bu tam terimi kullanıp kullanmadığından emin değil) bahsetti. O zaman onun ne demek istediğini anlamadım.
Doğrusal olmayan veriler için makine öğrenmeyi kullanma anlayışı, verileri ayırmak için doğrusal olmayan bir algoritma kullanmaktır.
Bu benim düşüncemdi
En biz lineer denklem kullanılan doğrusal verileri sınıflandırmak için diyelim ve kullandığımız doğrusal olmayan veriler için doğrusal olmayan denklem diyelim ki Y = s ı n ( x )
Bu görüntüden alınan sikit destek vektör makinesinin web sitesini öğren. SVM'de ML amacıyla farklı çekirdekler kullandık. Bu yüzden benim ilk düşüncem doğrusal çekirdeği doğrusal bir işlev kullanarak verileri ayırır ve RBF çekirdeği verileri ayırmak için doğrusal olmayan bir işlev kullanır.
Ama sonra yazarın Sinir ağları hakkında konuştuğu bu blogu gördüm .
Doğrusal olmayan problemi sol alt arsada sınıflandırmak için, sinir ağı, verileri sağ alt arsadaki dönüştürülmüş verilere basit bir doğrusal ayırma kullanabileceğimiz şekilde dönüştürür.
Sorum şu: Sonunda tüm makine öğrenme algoritmaları sınıflandırma için doğrusal bir ayrım kullanıyor mu (doğrusal / doğrusal olmayan veri kümesi)?
