Når du kjøper via tilknyttede lenker på nettstedet vårt, kan vi motta en provisjon uten ekstra kostnad for deg. Les mer om Lær hva overvåket læring er og hvordan det brukes til å trene modeller ved å bruke data med forhåndsdefinerte etiketter.
Hva betyr overvåket læring?
Overvåket læring er en tilnærming til maskinlæring (ML) som bruker merkede datasett og korrekte utdata for å trene læringsalgoritmer i hvordan de skal klassifisere data eller forutsi et utfall.
Overvåket læring er nyttig for å gruppere data i spesifikke kategorier (klassifisering) og forstå sammenhengen mellom variabler for å kunne gjøre forutsigelser (regresjon). Til forskjell fra uovervåket læring må datamaskinen kontinuerlig ha ny input.
Den brukes til å gi produktanbefalinger, segmentere kunder basert på kundedata, diagnostisere sykdom basert på tidligere symptomer og utføre mange andre oppgaver.
Techopedia forklarer overvåket læring
Overvåket læring muliggjør for maskiner å klassifisere objekter, problemer eller situasjoner basert på relaterte data som mates inn i maskinene. Maskiner blir matet med data som egenskaper, mønstre, dimensjoner, farge og høyde på objekter, personer eller situasjoner gjentatte ganger til maskinene er i stand til å utføre nøyaktige klassifiseringer.
Under overvåket læring blir en maskin gitt data, kjent som treningsdata i datagruve-terminologi, som den bruker til klassifisering. For eksempel, hvis et system skal klassifisere frukt, vil det bli gitt treningsdata som farge, former, dimensjon og størrelse. Basert på disse dataene, vil det være i stand til å klassifisere frukt.
Vanligvis krever et system flere iterasjoner av en slik prosess for å kunne utføre nøyaktig klassifisering. Siden virkelige klassifiseringer som kredittkortsvindel-deteksjon og sykdomsklassifisering er komplekse oppgaver, trenger maskinene passende data og flere iterasjoner av læringsøkter for å oppnå rimelige evner.
