Lasso reqressiyası dəyişənləri seçmək və tənzimləmək üçün istifadə edilən reqressiya növüdür.Belə alqoritmlər qeyri-xətti verilənlərə uyğunlaşmaq üçün istifadə olunur. Burada ən yaxşı təxmin düz xətt deyil; bütün məlumat nöqtələrinə uyğunlaşmağa çalışan əyridir.
Təsnifat
Maşın öyrənməsində təsnifat, əvvəlcədən təsnif edilmiş təlim verilənlər bazası əsasında elementlərin kateqoriyalara bölünməsi prosesidir.
Müxtəlif təsnifat alqoritmlərindən bəziləri bunlardır;
- KNN (( K -Yaxın Qonşular)
- Qərar Ağacları
- Naive Bayes
- SVM (Dəstək Vektor Maşın)
KNN (K-ən yaxın qonşular)
Bu alqoritm əvvəlcə sorğuya və çıxışlara ən yaxın olan girişi seçərək verilənlərin bütün qeydləri arasındakı məsafəni saxlayır və müəyyən edir.
KNN alqoritmləri; Barmaq izinin aşkarlanması, kredit hesabı, birja proqnozu, çirkli pulların yuyulması təhlili, iflas və valyuta məzənnəsi sahələrində real həyatda istifadə olunur .
Qərar Ağacları
Qərar ağacı alqoritmi nəzarət edilən maşın öyrənməsinin bir növüdür. Reqressiya və təsnifat məsələlərini həll etmək üçün istifadə olunur. Məqsəd müşahidələrdən nəticənin işlənməsinə keçmək üçün qərar ağacından istifadə etməkdir.
Hər bir məlumat nöqtəsini eyni anda iki kateqoriyaya təsnif edən və sonra hər birini iki və daha çox kateqoriyaya təsnif edən bir hərəkət sxemi kimi qərar ağacı haqqında düşünə bilərsiniz.
Qərar ağaclarının işlənməsi yuxarıdan-aşağıya doğru yanaşma tətbiq edir, burada təlim məlumatlarından ən uyğun xüsusiyyət kök kimi seçilir və proses hər bir filial üçün təkrarlanır. Qərar ağacları tez-tez aşağıdakı sahələrdə istifadə olunur:
Naive Bayes
Şərti ehtimal qaydasından istifadə edərək Telefon Nömrələri Kitabxanası müəyyən bir kateqoriyaya düşən elementin ehtimalını hesablayan bu alqoritm yüksək effektiv nəzarət edilən maşın öyrənmə alqoritmi kimi tanınır.
O, sinif dəyişəninin dəyərini nəzərə alaraq Bayes teoremini verilənlərə tətbiq edərək, hər bir xüsusiyyət cütü arasında şərti müstəqilliyin sırf fərziyyəsiilə işləyir. Daha sadə dillə desək, B hadisəsinin baş verdiyini nəzərə alsaq, A hadisəsinin baş vermə ehtimalını tapmağa kömək edir . Onun istifadə edildiyi vəziyyətlər:
Bu alqoritmdə məlumatlar X/Y proqnozundan kənara çıxa bilən qütblük dərəcəsinə görə təsnif edilir. SVM nəzarət edilən maşın öyrənmə alqoritmləri arasında təsnif edilir və əsasən təsnifat və reqressiya təhlili üçün istifadə olunur. Alqoritm kateqoriyaya yeni nümunələr və verilənlər təyin edən modellər yaratmaqla işləyir.
Ölçülərin sayının nümunələrin sayından çox olduğu və yaddaşın son dərəcə səmərəli olduğu hallarda SVM yüksək effektivdir.
SVM alqoritmləri ilə tətbiqlər:
Birləşmə alqoritmi
Ansambl alqoritmləri daha dəqiq nəticələr əldə etmək üçün iki və ya daha çox maşın öyrənmə alqoritmlərinin proqnozlarını birləşdirir. Nəticələrin birləşdirilməsi səsvermə və ya nəticələrin ortalaşdırılması yolu ilə edilə bilər. Reqressiya zamanı təsnifat və orta hesablama prosesində səsvermə tez-tez istifadə olunur. Ansambl alqoritmlərinin 3 əsas növü var: Torbalama, Artırma və Yığma.
Torbalama alqoritmləri, hamısı bərabər ölçüdə olan müxtəlif təlim dəstlərində paralel olaraq icra edilir. Bütün alqoritmlər daha sonra eyni verilənlər toplusundan istifadə etməklə sınaqdan keçirilir və ümumi nəticələri müəyyən etmək üçün səsvermədən istifadə edilir.
Artırma alqoritmləri ardıcıl olaraq icra edilir. Ümumi nəticələr daha sonra çəkili səsvermə yolu ilə seçilir.
Yığma alqoritmləri üst-üstə yığılmış iki səviyyəyə malikdir: Əsas səviyyə; Bu alqoritmlərin və yüksək səviyyənin birləşməsidir; Baza səviyyəli nəticələrə əsaslanan meta alqoritmdir.
Klasterləşmə
Klasterləşdirmə alqoritmləri məlumat nöqtələrini qruplaşdırmaq üçün istifadə olunan nəzarətsiz alqoritmlər qrupudur. Eyni klasterdəki nöqtələr bir-birinə fərqli çoxluqlardakı nöqtələrdən daha çox bənzəyir.
Onun tətbiqləri Python, SciPy, Sci-Kit Learn və data mining kimi proqramlaşdırma dillərində və kitabxanalarda oxşar və əlaqəli veb axtarış nəticələrini qruplaşdırmaq üçün genişlənir.
Klasterləşdirmə alqoritmləri saxta xəbərləri müəyyən etmək, spamları aşkar etmək və filtrləmək, kitab və ya filmləri janrlara görə təsnif etmək və şəhər planlaması zamanı məşhur nəqliyyat marşrutlarını müəyyən etmək kimi vəziyyətlər üçün istifadə olunur.
Klasterləşdirmə alqoritmlərinin 4 növü var:
Assosiasiya
Assosiasiya alqoritmləri müəyyən bir məlumat dəstində bəzi elementlərin birlikdə baş vermə ehtimalını aşkar etmək üçün istifadə edilən nəzarətsiz alqoritmlərdir. Ən çox alış-veriş səbətinin təhlilində istifadə olunur. Ən çox istifadə edilən atribut alqoritmi Aprioridir:
Apriori alqoritmi
Tranzaksiya verilənlər bazalarında geniş istifadə olunan mədən alqoritmidir. Apriori tez-tez istifadə olunan element dəstlərini çıxarmaq və bu dəstlərdən bəzi əlaqə qaydaları yaratmaq üçün istifadə olunur.
Məlumat dəstlərində ümumi element dəstlərini axtarmaq və sonra onlar üzərində əlaqələr qurmaqla işləyən a priori; O, tez-tez əlaqəli verilənlər bazalarında elementlərin mədənçilik və assosiasiya qaydalarını öyrənmək üçün istifadə olunur.
Bu alqoritmin arxasında duran fikir, daha faydalı birləşmə yaratmaq üçün əlaqəli elementləri mümkün qədər daha böyük dəstdə genişləndirməkdir. Böyük məlumat dəstləri ilə istifadə edilə bilər.
Əgər cihazların real dünya problemlərini həll edə biləcək effektiv proqnozlar verə biləcəyi ilə maraqlanırsınızsaMəqaləmizə baxa bilərsiniz.
təşviq etmək kimi üstünlüklər gətirir.
Maşın öyrənməsi müştərinin brendlə ary ny fomba fanisana, fanafoanana münasibətlərinin pisləşməyə başladığı anı proqnozlaşdırmaq və onu düzəltmək yollarını tapmaq üçün də istifadə olunur; Bu, e-ticarət şirkətlərinə müştəri itkisi ilə mübarizə aparmağa kömək edir. Adobe, Netflix, Amazon, HBO, Spotify, The New York Times, Bloomberg News, The Wall Street Journal və böyük telekommunikasiya şirkətləri müştəri itkisinin modelləşdirilməsindən istifadə edirlər.
Maşın öyrənməsi həm də şirkətlərə inventarın proqnozlaşdırılan planlaşdırılması və müştəri seqmentasiyası vasitəsilə düzgün məhsul və xidmətləri lazımi vaxtda doğru ərazilərə çatdırmağa kömək edir. Məsələn, pərakəndə satıcılar müəyyən bir mağazaya təsir edən mövsümi amillərə, həmin ərazinin demoqrafik göstəricilərinə və sosial mediadakı tendensiyalar kimi digər məlumat nöqtələrinə əsaslanaraq hansı inventarın hansı mağazada daha yaxşı satılacağını proqnozlaşdırmaq üçün maşın öyrənməsindən istifadə edir.
Maşın Öyrənmə Nümunələri
Enerji və kommunal xidmətlərdən tutmuş səyahət canada email lead və qonaqpərvərliyə, istehsalatdan logistikaya qədər bütün sektorlarda istifadə edilən maşın öyrənməsi müəssisələrə əvvəllər nail olmaq mümkün olmayan miqyasda və miqyasda tapşırıqları yerinə yetirməyə imkan verir. O, işin tempini sürətləndirir, səhvləri azaldır, həm işçilərə, həm də müştərilərə kömək edir.
Bundan əlavə, innovasiyaya əsaslanan təşkilatlar maşın öyrənməsindən təkcə səmərəliliyi və təkmilləşdirmələri artırmaq üçün deyil, həm də şirkətlərini bazarda fərqləndirə biləcək yeni iş imkanlarını artırmaq üçün istifadə edirlər.
Müəssisələrə məlumatların bolluğunu fikirlərə çevirməyə kömək edən maşın öyrənməsi nümunələrini aşağıdakı kimi sadalaya bilərik:
Xülasə
Data Mining; Verilənlər bazası və saxlama cihazları kimi depolarda saxlanılan böyük həcmdə verilənləri təhlil edərək korrelyasiya, nümunə və ya tendensiyaları aşkar etmək üsuludur.
Diqqətlə həyata keçirildikdə, effektiv marketinq strategiyaları hazırlamağa, müştəriləriniz haqqında daha çox öyrənməyə, gəlirləri artırmağa və xərcləri azaltmağa imkan verir.
Data mining-in ümumi məqsədi verilmiş verilənlər toplusundan ən uyğun məlumatı çıxarmaq və sonradan istifadə üçün bu məlumatları strukturlaşdırmaqdır.
