Apprentissage supervisé

*Apprentissage supervisé*

1. Introduction à l'apprentissage supervisé

L'apprentissage supervisé implique la formation d'un modèle à l'aide d'ensembles de données étiquetés pour prédire les résultats de nouvelles entrées. C'est analogue à l'apprentissage sous supervision, où le modèle reçoit des exemples d'entrées et de sorties correctes pendant la formation.

• Étape 1 : Collecte de données
• Étape 2 : Formation
• Étape 3 : Test

Caractéristiques clés : • Entrées (caractéristiques) : variables indépendantes telles que l'âge, le poids ou le nombre d'heures étudiées. • Résultats (étiquettes) : variables dépendantes, soit continues (régression), soit catégorielles (classification). • Objectif du modèle : minimiser l'erreur entre les résultats prévus et les résultats réels.

1. Types de tâches d'apprentissage supervisé

2.1 Régression

La régression est utilisée pour prédire des valeurs continues. La variable de sortie peut prendre n'importe quelle valeur réelle.

La régression est un type de technique d'apprentissage supervisé utilisé pour prédire un résultat ou une valeur continue en fonction d'une ou plusieurs caractéristiques d'entrée (variables). L'objectif de la régression est de modéliser la relation entre les variables d'entrée (souvent appelées variables indépendantes ou caractéristiques) et la variable de sortie (souvent appelée variable dépendante ou cible).

1. La régression est une méthode statistique qui nous aide à comprendre et à prédire la relation entre les variables. (La variable est une donnée quantitative dans laquelle nous mesurons certaines valeurs)
2. Décrit comment une variable (variable dépendante) (les données que nous voulons prédire - Les données de Jiske peuvent prédire Karna hai) change lorsqu'une autre variable (variable indépendante) (base de la valeur de prédiction - Base de Jiske pour prédire Karna hai.) change.
3. Variable dépendante : nous essayons de prédire ou d'expliquer (Y).
4. Variable indépendante : qui sont utilisées pour prédire ou expliquer les changements dans la variable dépendante (X)

Concepts clés : 1. Prédiction de valeurs continues : L'objectif principal de la régression est de prédire une valeur numérique. Par exemple, prédire le prix d'une maison en fonction de sa taille, de son emplacement et du nombre de pièces. La sortie est continue, ce qui signifie qu'elle peut prendre n'importe quelle valeur dans une plage. 2. La relation entre les variables : la régression suppose qu'il existe une relation entre les caractéristiques d'entrée et la variable cible. Par exemple, le prix d’une maison peut dépendre de sa superficie et du nombre de chambres. Le modèle tente de trouver le meilleur moyen de connecter ces caractéristiques d’entrée au prix prévu.

Types de régression

• Régression linéaire
• Régression multilinéaire
• Régression polynomiale

2.2 Classement

La classification attribue des étiquettes de classe discrètes aux entrées.

La classification est un type d'apprentissage supervisé dont le but est de prédire une étiquette ou une catégorie discrète pour une entrée donnée. Contrairement à la régression, qui prédit des valeurs continues, la classification attribue les entrées à l'une des nombreuses classes prédéfinies. Ceci est couramment utilisé pour les problèmes où le résultat est une catégorie, comme classer un e-mail comme « spam » ou « non-spam », prédire si une tumeur est « maligne » ou « bénigne » ou déterminer le type d'animal sur une photo. (par exemple, chien, chat, etc.).

Concepts clés de la classification

1. Étiquettes (classes) : lors de la classification, chaque point de données d'entrée se voit attribuer une étiquette, qui est une catégorie. La tâche du modèle est de prédire ces étiquettes en fonction des caractéristiques d'entrée. Par exemple : • Dans un problème de classification binaire, il existe deux étiquettes possibles : « oui » ou « non », « spam » ou « pas spam ». • En classification multi-classes, il existe plus de deux cat...
   [Courte citation de 8% de l'article original]