प्रतिगमन
प्रतिगमन एक प्रकार की पर्यवेक्षित मशीन सीखने के दृष्टिकोण को परिभाषित करता है जिसका उपयोग किसी भी निरंतर-मूल्यवान विशेषता का पूर्वानुमान लगाने के लिए किया जा सकता है। प्रतिगमन लक्ष्य चर और भविष्यवक्ता चर संघों का पता लगाने के लिए कुछ व्यावसायिक संगठन प्रदान करता है। यह डेटा का पता लगाने के लिए एक आवश्यक उपकरण है जिसका उपयोग मौद्रिक पूर्वानुमान और समय श्रृंखला मॉडलिंग के लिए किया जा सकता है।
डेटा को फ़ंक्शन में फ़िट करके डेटा को सुचारू किया जा सकता है, जैसे प्रतिगमन के साथ। रैखिक प्रतिगमन में दो विशेषताओं (या चर) को फिट करने के लिए "सर्वश्रेष्ठ" रेखा की खोज करना शामिल है ताकि एक विशेषता का उपयोग दूसरे की भविष्यवाणी करने के लिए किया जा सके। कई रेखीय प्रतिगमन रैखिक प्रतिगमन की प्रगति है, जहां दो से अधिक विशेषताओं को शामिल किया जाता है और डेटा एक बहुआयामी स्थान के लिए उपयुक्त होते हैं।
रैखिक प्रतिगमन में, डेटा को एक सीधी रेखा में फिट करने के लिए तैयार किया जाता है। उदाहरण के लिए, एक यादृच्छिक चर, y (प्रतिक्रिया चर कहा जाता है), को एक अन्य यादृच्छिक चर, x (भविष्यवक्ता चर कहा जाता है) के रैखिक कार्य के रूप में तैयार किया जा सकता है, समीकरण y =wx + b के साथ, जहां y का विचरण माना जाता है स्थिर रहना।
प्रतिगमन मुद्दे इनपुट मानों पर रखे गए आउटपुट मान की गणना के साथ प्रबंधित होते हैं। जब वर्गीकरण के लिए उपयोग किया जाता है, तो इनपुट मान डेटाबेस से मान होते हैं और आउटपुट मान कक्षाओं का प्रतिनिधित्व करते हैं। प्रतिगमन का उपयोग वर्गीकरण समस्याओं का पता लगाने के लिए किया जा सकता है, लेकिन इसका उपयोग कई अनुप्रयोगों जैसे कि पूर्वानुमान के लिए किया जा सकता है। प्रतिगमन की प्राथमिक संरचना सरल रैखिक प्रतिगमन है जिसमें केवल एक भविष्यवक्ता और एक भविष्यवाणी शामिल है।
वर्गीकरण
वर्गीकरण एक मॉडल की खोज की प्रक्रिया है जो डेटा वर्गों या अवधारणाओं का प्रतिनिधित्व करता है और अलग करता है, जिसका उद्देश्य उन वस्तुओं के वर्ग की भविष्यवाणी करने के लिए मॉडल का उपयोग करने में सक्षम होना है जिनके वर्ग लेबल अज्ञात हैं। व्युत्पन्न मॉडल प्रशिक्षण रिकॉर्ड के एक समूह के विश्लेषण पर आधारित है (यानी, डेटा ऑब्जेक्ट जिसका वर्ग लेबल परिचित है)।
प्रत्येक टपल को एक पूर्वनिर्धारित वर्ग से संबंधित माना जाता है, जैसा कि एक विशेषता द्वारा निर्धारित किया जाता है, जिसे क्लास लेबल विशेषता कहा जाता है। वर्गीकरण की संरचना में, डेटा टुपल्स को नमूने, उदाहरण या वस्तुओं के रूप में दर्शाया जाता है। मॉडल बनाने के लिए विश्लेषण किए गए डेटा टुपल्स सामूहिक रूप से प्रशिक्षण डेटा सेट बनाते हैं। प्रशिक्षण सेट बनाने वाले अलग-अलग टुपल्स को प्रशिक्षण नमूने के रूप में दर्शाया जाता है और नमूना आबादी से चुना जाता है।
क्योंकि प्रत्येक प्रशिक्षण नमूने का वर्ग लेबल प्रदान किया जाता है, इस प्रक्रिया को पर्यवेक्षित शिक्षण के रूप में भी परिभाषित किया जाता है। गैर पर्यवेक्षित शिक्षण में, जिसमें प्रशिक्षण नमूनों के वर्ग लेबल अज्ञात होते हैं, और विभिन्न वर्गों को समझने के लिए पहले से नहीं जाना जा सकता है।