Алгоритм обучения

Материал из MachineLearning.

(Различия между версиями)
Перейти к: навигация, поиск
м (категория)
м (викификация)
Строка 1: Строка 1:
-
'''Алгоритм обучения''' (learning algorithm), синоним '''Метод обучения''' — в&nbsp;задачах [[обучение по прецедентам|обучения по прецедентам]] алгоритм&nbsp;<tex>\mu</tex>, который принимает на входе [[обучающая выборка|обучающую выборку]] данных&nbsp;<tex>D</tex>, строит и выдаёт на выходе функцию&nbsp;<tex>f</tex>, реализующую отображение из множества объектов&nbsp;<tex>X</tex> во множество ответов&nbsp;<tex>Y</tex>.
+
'''Алгоритм обучения''' (learning algorithm), синоним '''Метод обучения''' — в&nbsp;задачах [[обучение по прецедентам|обучения по прецедентам]] [[алгоритм]]&nbsp;<tex>\mu</tex>, который принимает на входе [[обучающая выборка|обучающую выборку]] данных&nbsp;<tex>D</tex>, строит и выдаёт на выходе функцию&nbsp;<tex>f</tex>, реализующую отображение из множества объектов&nbsp;<tex>X</tex> во множество ответов&nbsp;<tex>Y</tex>.
Построенная функция называется
Построенная функция называется

Версия 09:42, 18 октября 2008

Алгоритм обучения (learning algorithm), синоним Метод обучения — в задачах обучения по прецедентам алгоритм \mu, который принимает на входе обучающую выборку данных D, строит и выдаёт на выходе функцию f, реализующую отображение из множества объектов X во множество ответов Y.

Построенная функция называется классификатором (в задачах классификации) или функцией регрессии (в задачах восстановления регрессии). В общем случае её называют по-разному: алгоритмом (преимущественно в русскоязычных работах), концептом (concept) или гипотезой (в некоторых зарубежных работах), реже — аппроксимирующей функцией или моделью.

На страницах Ресурса MachineLearning.RU предлагается придерживаться следующей терминологии:

  • алгоритм обучения или метод обучения — отображение \mu:\: D\mapsto f;
  • алгоритм, классификатор, функция регрессии — отображение f:\: X\to Y;
  • модель — семейство отображений F, из которого метод обучения \mu выбирает функцию f.

Для задач обучения с учителем каноническим примером метода обучения является метод минимизации эмпирического риска. Он заключается в том, чтобы в заданной модели F найти функцию, минимизирующую величину средней ошибки на обучающей выборке, называемую также эмпирическим риском:

f = \mathrm{arg}\min_{f\in F} Q(f,D).

В типичных случаях метод обучения реализуется путём численной минимизации функционала Q.

Ссылки

Личные инструменты