Aprenentage supervisat

En aprenentage automàtic (AA) i mineria de senyes, el aprenentage supervisat és una tècnica per a deduir una funció a partir de senyes de formació. Les senyes de formació consistixen de parells d'objectes (normalment vectores): una component del parell són les senyes d'entrada i l'atre, els resultats desijats. L'eixida de la funció pot ser un valor numèric (com en els problemes de regressió) o una etiqueta de classe (com en els de classificació). L'objectiu de l'aprenentage supervisat és el de crear una funció capaç de predir el valor corresponent a qualsevol objecte d'entrada vàlida despuix d'haver vist una série d'eixemples, les senyes de formació. Per a això, té que generalisar a partir de les senyes presentades a les situacions no vistes prèviament.

En açò diferix del aprenentage no supervisat.

Informació general

L'aprenentage supervisat pot generar models de dos tipos. Per lo general, genera una funció que transforma les senyes d'entrada en els resultats desijats.

En la finalitat de resoldre un determinat problema d'aprenentage supervisat (per eixemple, deprendre a reconéixer l'escritura) un té que considerar varis passos:

Determinar el tipo d'eixemples de formació. Abans de fer qualsevol atra cosa, cal decidir qué tipo de senyes es va a utilisar per a formar el model. Per eixemple, podria ser un únic caràcter a mà, una paraula completa escrita a mà, o tota una llínea d'escritura a mà.
Reunir un conjunt de formació. El conjunt de necessitats de formació a les característiques pròpies de l'us del món real de la funció. Per lo tant, un conjunt d'objectes d'entrada que es recopila i eixides corresponents s'arrepleguen també, ya siga humana o dels experts a partir de medicions.
Determinar la funció d'ingrés de la representació de la funció deprés. La precisió de la funció depresa depén en gran mida de cóm l'objecte d'entrada està representat. Normalment, l'objecte d'entrada es transforma en un vector de característiques, que conté una série de característiques que són descriptivos de l'objecte. El número de característiques no deu ser massa gran, a causa de la maldicció de la dimensionalidad, pero deu ser lo suficientment gran com per a predir en precisió l'eixida.
Determinar l'estructura de la funció adequada per a resoldre i el problema i la tècnica d'aprenentage corresponent. Per eixemple, es podria optar per utilisar ret neuronal artificial o un arbre de decisió.
Completar el disseny. L'ingenier a continuació, eixecuta l'algoritme d'aprenentage en el conjunt de la formació obtinguda. Paràmetros de l'algoritme d'aprenentage pot ser ajustat per mig de l'optimisació de rendiment en un subconjunt d'elles (cridat conjunt de validació) del conjunt de formació, o per mig de la validació creuada. Despuix de l'ajust de paràmetros i d'aprenentage, l'eixercite de l'algoritme es pot medir utilisant un conjunt de proves independent del de formació.

Un atre terme per a l'aprenentage supervisat és la classificació. Una àmplia gama de classificadors estan disponibles, cada u en les seues fortalees i debilitats. Classificador rendiment depén en gran mida de les característiques de les senyes que deuen classificar-se. No hi ha una classificació única que funciona millor en tots els problemes donats, lo que també es coneix com el No hi ha almorzar debades teorema. Diverses proves empíriques s'han realisat per a comparar el rendiment del classificador i per a trobar les característiques de les senyes que determinen el rendiment del classificador. La determinació d'un classificador adequat per a un problema donat, no obstant encara més un art que una ciència.

Els classificadors més utilisats són les rets neuronals, com el (perceptrón multicapa); les màquines de vectores de soport; l'algoritme dels K veïns més propencs, els models de mixturas; el classificador bayesiano ingenu; els arbres de decisió i les funcions de base radial.

Minimisació del risc empíric

L'objectiu de l'aprenentage supervisat és trobar una funció g, donat un conjunt de punts de la forma (x, g(x)).

Se supon que el conjunt de punts per als que el comportament dels g és conegut és una mostra de variables aleatòries independents idénticamente distribuïdes d'acort en una distribució de provabilitat desconeguda p. Per una atra part, es considera una funció de pèrdua L:

L : Y \times Y \to ℝ^{\geq 0}

a on I és el domini de g, i L és una funció mapes en el número no negatiu real s (noves restriccions poden ser colocats enL) . La cantitat L(z, i) és la pèrdua sofrida en la predicció de z, com el valor de g quan el seu valor verdader és i.

El risc associat en una funció f és l'esperança de la funció de pèrdua:

R (f) = \sum_{i} L (f (x_{i}), g (x_{i})) p (x_{i})

Si la distribució de provabilitat p és contínua es pot reescriure la fòrmula anterior usant una integral en lloc d'un sumatorio..

Ara l'objectiu és trobar una funció f* entre una subclasse fix de funcions per a les que el riscR( f *) és mínima .

No obstant, donat el comportament dels g generalment solament és conegut per un conjunt finito de punts (x₁, i₁), ..., (x_ni_n), un només pot aproximar el verdader risc, per eixemple en el risc empíric:

{\tilde{R}}_{n} (f) = \frac{1}{n} \sum_{i = 1}^{n} L (f (x_{i}), y_{i}) .

Selecció de la funció f* que minimisa el risc empíric es coneix com el principi de minimisació empírica de riscs. Teoria estadística d'aprenentage investiga baix quines condicions la minimisació del risc empíric és admissible i lo ben que les aproximacions es pot esperar que siga.

Aprenentage Actiu

Artícul principal → Aprenentage actiu.

Hi ha situacions en les que les senyes sense etiqueta és abundant, pero les senyes d'etiquetage és car. En esta situació, l'algoritme d'aprenentage de manera activa la consulta de l'usuari / professor per a les etiquetes. Este tipo d'aprenentage supervisat iterativo es diu aprenentage actiu. Ya que l'estudiant elegix els eixemples, el número d'eixemples per a deprendre un concepte a sovint poden ser molt menors que el número requerit en l'aprenentage supervisat normal. En este enfocament es corre el risc de que l'algoritme pot centrar-se en importància ni com a eixemples vàlits.

L'aprenentage actiu pot ser especialment útil en problemes d'investigació biològica, com ingenieria de proteïnes, a on unes poques proteïnes han segut descoberts en una certa funció interessant i es vol determinar quin de les moltes possibles mutantes que el pròxim que tindrà un.^[1]

Definicions

Que $T$ és el conjunt total de totes les senyes en qüestió. Per eixemple, en un problema d'ingenieria de proteïnes, $T$ s'inclouen totes les proteïnes que se sap que tenen una determinada activitat interessant i totes les proteïnes adicionals que un podria voler posar a prova per a eixa activitat.

Durant cada iteración, $i$ , $T$ es dividix en tres subgrups:

$𝐓_{K, i}$ : Punts l'etiqueta dels quals és coneguda
$𝐓_{U, i}$ : Punts l'etiqueta dels quals és desconeguda
$𝐓_{C, i}$ : Un subconjunt de $T_{U, i}$ triat per a ser etiquetat

La majoria de les investigacions actuals en l'aprenentage actiu implica que el millor método per a elegir els punts de senyes per a $T_{C, i}$ .

Hiperplano marginal mínima

Alguns dels algoritmes d'aprenentage actiu es basen en màquines de vectores de soport i aprofitar l'estructura de la SVM per a determinar qué punts de senyes a l'etiqueta. Estos métodos solen calcular el marge, $W$ , de cada senya sense etiqueta en $T_{(} U, i)$ i tractar $W$ com una distancia n-dimensional a partir d'eixa senya a la separació de hiperplano.

métodos mínima marginal Hiperplano supondre que les senyes en> els més menuts $W$ són les que el SVM és més segur sobre, per lo que deu ser colocat en $T_{(} C, i)$ s'etiqueten . Atres métodos similars, com a màxim marginal Hiperplano, elegixca les senyes en> el major $W$ . métodos de relacions d'intercanvi elegir una combinació de la menor i la major $W$ s.

Màxima curiositat

Un atre método d'aprenentage actiu, que normalment s'entera d'un conjunt de senyes en menys eixemples de mínima Hiperplano marginal, pero és més intensiu en còmput i només per als classificadors discret és màxima curiositat.^[2]

curiositat màxima té en cada u sense etiqueta de referència en $T_{(} U, i)$ i assumix totes les etiquetes possibles eixa senya puga tindre. Esta senya supon en cada classe s'afig a $T_{(} K, i)$ i després el nou $T_{(} K, i)$ creu validats. Se supon que quan la senya és emparellada en la seua etiqueta correcta, l'exactitut de validació creuada (o correlació coeficient) de $T_{(} K, i)$ millorarà més. La senya en la precisió que més ha millorat es coloca en $T_{(} C, i)$ s'etiqueten.

Enfocaments i algoritmes

Aplicacions

Qüestions generals

Notes

↑ Danziger, SA, Swamidass, SJ, Zeng, J., escassea, LR, Lu, P., Chen, JH, Cheng, J., Hoang, vicepresident de Saigo, H., Luo, R ., Baldi, P., Brachmann, RK i el cens funcional Lathrop, RH de seqüència d'espais mutació: l'eixemple de mutantes de p53 càncer de rescat, (2006) IEEE / ACM transaccions en la biologia computacional i bioinformática, 3, 114-125.
↑ Danziger, SA, Zeng, J., Wang , Y., Brachmann, RK i Lathrop, RH Elegir on mirar en un espai següent seqüència de mutació: Aprenentage Actiu de mutantes de p53 informatiu del càncer de rescat, (2007) Bioinformática, 23 (13 104-114).

Referències

S. Kotsiantis, supervisat Aprenentage Automàtic: Una Revisió de la Classificació de les tècniques d'Informàtica Diari 31 (2007) 249-268 (^{[enllaç trencat]} 20 -%%% 20Supervised 20Machine 20Learning 20% -% 20A% 20de% ... 20Review pdf).
Lise Getoor i Taskar Ben: Introduccióaestadística de relació d'aprenentage, MIT Press, 2007.

Referències

Este artícul conté una traducció derivada de «Aprendizaje supervisado» de Wikipedia en castellà publicada baix la Llicència de documentació lliure de GNU i la Llicència Creative Commons Reconeiximent-CompartirIgual 4.0 Internacional.

[Danziger2006-1] Danziger, SA, Swamidass, SJ, Zeng, J., escassea, LR, Lu, P., Chen, JH, Cheng, J., Hoang, vicepresident de Saigo, H., Luo, R ., Baldi, P., Brachmann, RK i el cens funcional Lathrop, RH de seqüència d'espais mutació: l'eixemple de mutantes de p53 càncer de rescat, (2006) IEEE / ACM transaccions en la biologia computacional i bioinformática, 3, 114-125.

[Danziger2007-2] Danziger, SA, Zeng, J., Wang , Y., Brachmann, RK i Lathrop, RH Elegir on mirar en un espai següent seqüència de mutació: Aprenentage Actiu de mutantes de p53 informatiu del càncer de rescat, (2007) Bioinformática, 23 (13 104-114).

[1]

[2]