Чим відрізняється функція від мітки?

Я слідую за підручником з основ машинного навчання, і там згадується, що щось може бути функцією або етикеткою .

Як я знаю, функція - це властивість даних, які використовуються. Я не можу зрозуміти, що таке етикетка, я знаю значення цього слова, але хочу знати, що воно означає в контексті машинного навчання.

Коротко, введення функції; мітка виводиться. Це стосується як класифікаційних, так і регресійних проблем.

Особливістю є один стовпець даних у наборі вводу. Наприклад, якщо ви намагаєтеся передбачити тип домашнього улюбленця, який когось обере, ваші вхідні функції можуть включати вік, домашній регіон, дохід сім'ї тощо. Мітка - це остаточний вибір, наприклад собака, риба, ігуана, рок, тощо.

Після того, як ви навчите свою модель, ви дасте їй нові набори, що містять ці функції; вона поверне передбачувану "етикетку" (тип домашнього улюбленця) для цієї людини.

Особливість:

Функція машинного навчання означає властивість ваших навчальних даних. Або ви можете сказати назву стовпця у своєму навчальному наборі даних.

Припустимо, це ваш навчальний набір даних

Height   Sex   Age
 61.5     M     20
 55.5     F     30
 64.5     M     41
 55.5     F     51
 .     .     .
 .     .     .
 .     .     .
 .     .     .

Тоді тут Height, Sexі Ageті риси.

мітка:

Вихід, який ви отримуєте від вашої моделі після тренування, називається етикеткою.

Припустимо , що ви годували вище набору даних до деякого алгоритму і формує модель для прогнозування підлогу , як чоловік або жінка, У наведеній вище моделі ви передаєте функції , такі як age, і heightт.д.

Тож після обчислень він поверне стать як чоловічий чи жіночий. Це називається Мітка

Тут з'являється більш наочний підхід для пояснення концепції. Уявіть, що ви хочете класифікувати тварину, зображену на фотографії.

Можливі класи тварин - це, наприклад, коти чи птахи. У такому випадку мітка буде можливою асоціацією класів, наприклад, кішкою або птахом, яку передбачить ваш алгоритм машинного навчання.

В особливості це шаблон, колір, форма , які є частиною ваших зображень наприклад Furr, пір'я, або більш усний низького рівня, значення пікселів.

Мітка:
Особливості птаха : пір'я

Мітка:
Особливості кота : Furr

Візьмемо приклад, коли ми хочемо виявити алфавіт за допомогою рукописних фотографій. Ми подаємо ці зразкові зображення в програму, і програма класифікує ці зображення на основі ознак, які вони отримали.

Прикладом функції в цьому контексті є: лист 'C'може вважатися увігнутим правою стороною.

Зараз виникає питання, як зберігати ці функції. Нам потрібно їх назвати. Ось роль лейбла, який з'являється на світ. Мітка даються такі особливості , щоб відрізнити їх від інших особливостей.

Таким чином, ми отримуємо мітки як вихідні, якщо надаються функції в якості введення .

Мітки не пов’язані з непідконтрольним навчанням.

Необхідна умова: основна статистика та вплив ML (лінійна регресія)

На нього можна відповісти у реченні -

Вони схожі, але їх визначення змінюється відповідно до потреб.

Пояснення

Дозвольте пояснити своє твердження. Припустимо, у вас є набір даних, для цього врахуйтеexercise.csv . Кожен стовпець у наборі даних називається функціями. Стать, вік, зріст, частота серцевих скорочень, тип тіла та калорії можуть бути одними серед різних стовпців. Кожен стовпець представляє різні особливості або властивість.

вправа.csv

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

Для зміцнення розуміння та розгадування загадки давайте візьмемо дві різні проблеми (випадок прогнозування).

СЛУЧАЙ 1: У цьому випадку ми можемо розглянути можливість використання - Стать, Зріст та Вага для прогнозування калорій, що спалюються під час фізичного навантаження. Цей прогноз (Y) калорій тут - мітка . Калорійність - це стовпець, який потрібно передбачити, використовуючи різні функції, такі як - x1: стать, x2: зріст і x3: вага .

СЛУЧАЙ 2: У другому випадку тут, можливо, ми б хотіли спрогнозувати серцебиття, використовуючи стать та вагу як особливість. Тут Heart_Rate - мітка, спрогнозована за допомогою функцій - x1: Стать та x2: Вага .

Після того, як ви зрозуміли вищезгадане пояснення, ви більше не будете плутати з міткою та функціями.

Коротко пояснена функція - це вхід, який ви подали в систему, а мітка - це вихід, який ви очікуєте. Наприклад, ви годували безліч особливостей собаки, таких як її зріст, колір хутра тощо, тому після обчислень вона поверне породу собаки, яку ви хочете знати.

Припустимо, що ви хочете передбачити клімат, тоді вам нададуть історичні кліматичні дані, поточну погоду, температуру, швидкість вітру тощо, а мітки - це місяці. Вищеописана комбінація може допомогти вам зробити прогнози.