Машинное обучение строит модель по примерам. Главное — правильно поставить задачу, разделить данные на обучающие и тестовые и не перепутать хорошую модель с переобученной.
Что нужно знать
- С учителем — есть ответы (метки); без учителя — нет.
- Классификация — класс, регрессия — число, кластеризация — группы без разметки.
- Признаки — входы, целевая переменная — что предсказываем.
- Обучающая выборка — для подбора модели, тестовая — для честной проверки; метрика — доля верных ответов, функция ошибок.
- Переобучение — отлично на обучении, плохо на новых данных; недообучение — плохо везде.
- kNN: класс по большинству $k$ ближайших соседей (расстояние между объектами).
- k-means: выбрать центры → отнести точки к ближайшему → пересчитать центры → повторять.
- Логистическая регрессия даёт вероятность класса через сигмоиду; градиентный спуск шагает против градиента функции ошибок.
Где чаще всего ошибаются
- Оценивать модель на обучающих данных.
- Называть k-means классификацией с учителем.
- Путать kNN и k-means.
Проверить себя
По этой же теме курса есть проверочная работа из 15 заданий на 30 минут. Проверка автоматическая, результат виден сразу — и по работе целиком, и по каждой теме.
Большие данные · 10–11 классы · Машинное обучение: классификация, регрессия, кластеризация