Hur använder maskininlärningspersonal strukturerad förutsägelse? eval (ez_write_tag ([[320,50], techopedia_com-under_page_title, ezslot_8,242,0,0]));

Innehåll

F:

Hur använder maskininlärningspersonal strukturerad förutsägelse?

A:

Maskininlärningspersonal använder strukturerad förutsägelse på en mängd olika sätt, vanligtvis genom att använda någon form av maskininlärningsteknik på ett visst mål eller problem som kan dra nytta av en mer ordnad utgångspunkt för prediktiv analys.

En teknisk definition av strukturerad förutsägelse innebär att "förutsäga strukturerade objekt snarare än skalära diskreta eller verkliga värden."

Ett annat sätt att säga det skulle vara att istället för att helt enkelt mäta enskilda variabler i ett vakuum, strukturerade förutsägelser arbetar utifrån en modell av en viss struktur och använder det som en grund för att lära sig och göra förutsägelser. (Läs hur kan AI hjälpa till att förutsäga personlighet?)

Teknikerna för strukturerad förutsägelse varierar i stor utsträckning - från Bayesiska tekniker till induktiv logisk programmering, Markov-logiknätverk och strukturerade supportvektormaskiner eller närmaste grannalgoritmer, maskininlärningspersonal har ett brett verktygssätt till sitt förfogande för att tillämpa dataproblem.

Vad som är vanligt i dessa idéer är användningen av någon underliggande struktur som maskininlärningsarbetet grundar sig på.

Experter ger ofta idén om naturlig språkbearbetning, där delar av talet är taggade för att representera element i en struktur - andra exempel inkluderar optiskt teckenigenkänning, där ett maskininlärningsprogram igenkänner handskrivna ord genom att analysera segment av en given ingång eller komplex bildbehandling , där datorer lär sig att känna igen objekt baserade på segmenterad ingång, till exempel med invändigt neuralt nätverk som består av många "lager".

Experter kan prata om linjär multiklassklassificering, linjära kompatibilitetsfunktioner och andra bastekniker för att generera strukturerade förutsägelser. I en mycket allmän bemärkelse bygger strukturerade förutsägelser på en annan modell än det bredare området för övervakad maskininlärning - för att gå tillbaka till exemplet med strukturerade förutsägelser i naturligt språkbearbetning och taggade fonemer eller ord, ser vi att användningen av märkningen för övervakad maskininlärning är inriktad på själva strukturmodellen - det meningsfulla som tillhandahålls, kanske i testuppsättningar och träningssatser.

Sedan, när maskininlärningsprogrammet släpps ut för att utföra sitt arbete, bygger det på strukturmodellen. Det, säger experter, förklarar en del av hur programmet förstår hur man använder delar av tal som verb, adverb, adjektiv och substantiv, snarare än att missa dem för andra delar av talet, eller inte kunna skilja på hur de fungerar i en global kon . (Läs hur strukturerade är dina data? Granska strukturerade, ostrukturerade och halvstrukturerade data.)

Fältet med strukturerad förutsägelse är fortfarande en viktig del av maskininlärningen när olika typer av maskininlärning och artificiell intelligens utvecklas.