ฉันต่อไปกวดวิชาเกี่ยวกับพื้นฐานการเรียนรู้เครื่องและมีการกล่าวถึงว่าสิ่งที่อาจจะเป็นคุณลักษณะหรือฉลาก
จากสิ่งที่ฉันรู้คุณลักษณะคือคุณสมบัติของข้อมูลที่กำลังใช้อยู่ ฉันคิดไม่ออกว่าป้ายกำกับคืออะไรฉันรู้ความหมายของคำนี้ แต่ฉันอยากรู้ว่ามันหมายถึงอะไรในบริบทของแมชชีนเลิร์นนิง
คำตอบ:
สั้น ๆ คุณสมบัติคืออินพุต; ฉลากถูกส่งออก สิ่งนี้ใช้ได้กับทั้งการจำแนกประเภทและปัญหาการถดถอย
คุณลักษณะคือคอลัมน์หนึ่งของข้อมูลในชุดอินพุตของคุณ ตัวอย่างเช่นหากคุณกำลังพยายามคาดเดาประเภทของสัตว์เลี้ยงที่ใครบางคนจะเลือกคุณสมบัติการป้อนข้อมูลของคุณอาจรวมถึงอายุภูมิภาคบ้านรายได้ของครอบครัว ฯลฯ ป้ายกำกับเป็นตัวเลือกสุดท้ายเช่นสุนัขปลาอิกัวน่าหิน เป็นต้น
เมื่อคุณฝึกฝนโมเดลของคุณแล้วคุณจะให้ชุดข้อมูลใหม่ที่มีคุณสมบัติเหล่านั้น มันจะส่งคืน "ป้ายกำกับ" (ประเภทสัตว์เลี้ยง) ที่ทำนายไว้สำหรับบุคคลนั้น
ลักษณะเฉพาะ:
ในคุณลักษณะ Machine Learning หมายถึงคุณสมบัติของข้อมูลการฝึกอบรมของคุณ หรือคุณสามารถพูดชื่อคอลัมน์ในชุดข้อมูลการฝึกอบรมของคุณ
สมมติว่านี่คือชุดข้อมูลการฝึกอบรมของคุณ
Height Sex Age
61.5 M 20
55.5 F 30
64.5 M 41
55.5 F 51
. . .
. . .
. . .
. . .
แล้วนี่Height, SexและAgeเป็นคุณสมบัติ
ฉลาก:
ผลลัพธ์ที่ได้จากแบบจำลองของคุณหลังจากการฝึกอบรมเรียกว่าฉลาก
สมมติว่าคุณเลี้ยงชุดข้อมูลดังกล่าวข้างต้นขั้นตอนวิธีการบางอย่างและสร้างแบบจำลองในการทำนายเพศเป็นเพศชายหรือหญิงในรูปแบบดังกล่าวข้างต้นให้คุณผ่านคุณสมบัติเช่นage, heightฯลฯ
ดังนั้นหลังจากคำนวณแล้วระบบจะส่งคืนเพศเป็นชายหรือหญิง ที่เรียกว่าฉลาก
วิธีการที่เป็นภาพมากขึ้นเพื่ออธิบายแนวคิดมีดังนี้ ลองนึกภาพว่าคุณต้องการจัดประเภทสัตว์ที่แสดงในภาพถ่าย
ประเภทของสัตว์ที่เป็นไปได้ ได้แก่ แมวหรือนก ในกรณีนี้ป้ายกำกับจะเป็นการเชื่อมโยงคลาสที่เป็นไปได้เช่นแมวหรือนกซึ่งอัลกอริทึมการเรียนรู้ของเครื่องจะทำนาย
คุณสมบัติเป็นรูปแบบ, สี, รูปแบบที่เป็นส่วนหนึ่งของภาพของคุณเช่น Furr ขนหรือระดับต่ำตีความค่ามากขึ้นพิกเซล
ป้ายกำกับ:นก
คุณสมบัติ:ขน
ป้ายกำกับ: Cat
Features: Furr
ลองดูตัวอย่างที่เราต้องการตรวจจับตัวอักษรโดยใช้ภาพถ่ายที่เขียนด้วยลายมือ เราป้อนรูปภาพตัวอย่างเหล่านี้ในโปรแกรมและโปรแกรมจะจำแนกรูปภาพเหล่านี้ตามคุณสมบัติที่ได้รับ
ตัวอย่างของคุณลักษณะในบริบทนี้คือตัวอักษร'C'สามารถคิดได้เหมือนเว้าหันหน้าไปทางขวา
ตอนนี้เกิดคำถามเกี่ยวกับวิธีการจัดเก็บคุณสมบัติเหล่านี้ เราจำเป็นต้องตั้งชื่อให้ นี่คือบทบาทของฉลากที่มีอยู่จริง มีการกำหนดป้ายกำกับให้กับคุณสมบัติดังกล่าวเพื่อแยกความแตกต่างจากคุณสมบัติอื่น
ดังนั้นเราจึงได้รับฉลากเป็นผลผลิตเมื่อให้มาพร้อมกับคุณสมบัติที่เป็น input
ป้ายกำกับไม่เกี่ยวข้องกับการเรียนรู้ที่ไม่มีผู้ดูแล
วิชาบังคับก่อน: สถิติพื้นฐานและการเปิดรับ ML (Linear Regression)
สามารถตอบได้เป็นประโยค -
เหมือนกัน แต่นิยามเปลี่ยนไปตามความจำเป็น
ให้ฉันอธิบายคำชี้แจงของฉัน exercise.csvสมมติว่าคุณมีชุดข้อมูลเพื่อจุดประสงค์นี้พิจารณา แต่ละคอลัมน์ในชุดข้อมูลเรียกว่าเป็นคุณลักษณะ เพศอายุความสูงอัตราการเต้นของหัวใจ Body_temp และแคลอรี่อาจเป็นหนึ่งในคอลัมน์ต่างๆ แต่ละคอลัมน์แสดงถึงคุณลักษณะหรือคุณสมบัติที่แตกต่างกัน
User_ID Gender Age Height Weight Duration Heart_Rate Body_Temp Calories
14733363 male 68 190.0 94.0 29.0 105.0 40.8 231.0
14861698 female 20 166.0 60.0 14.0 94.0 40.3 66.0
11179863 male 69 179.0 79.0 5.0 88.0 38.7 26.0
เพื่อเสริมสร้างความเข้าใจและไขปริศนาให้เราใช้ปัญหาที่แตกต่างกันสองข้อ (กรณีการทำนาย)
CASE1: ในกรณีนี้เราอาจพิจารณาใช้ - เพศส่วนสูงและน้ำหนักเพื่อทำนายแคลอรี่ที่เผาผลาญระหว่างออกกำลังกาย ที่ทำนาย (Y) แคลอรี่ที่นี่เป็นป้าย แคลอรี่เป็นคอลัมน์ที่คุณต้องการที่จะทำนายโดยใช้คุณสมบัติต่างๆเช่น - X1: เพศ x2: ความสูงและ x3: น้ำหนัก
CASE2: ในกรณีที่สองที่นี่เราอาจต้องการทำนาย Heart_rate โดยใช้ Gender and Weight เป็นคุณสมบัติ นี่Heart_Rateเป็นป้ายที่คาดการณ์ไว้โดยใช้คุณสมบัติ - X1: เพศและ x2: น้ำหนัก
เมื่อคุณเข้าใจคำอธิบายข้างต้นแล้วคุณจะไม่สับสนกับ Label and Features อีกต่อไป
คุณลักษณะที่อธิบายสั้น ๆ คืออินพุตที่คุณป้อนเข้ากับระบบและเลเบลจะเป็นเอาต์พุตที่คุณคาดหวัง ตัวอย่างเช่นคุณได้เลี้ยงสุนัขหลายลักษณะเช่นความสูงสีขน ฯลฯ ดังนั้นหลังจากคำนวณแล้วมันจะส่งคืนสายพันธุ์ของสุนัขที่คุณต้องการทราบ
สมมติว่าคุณต้องการทำนายสภาพอากาศคุณลักษณะที่มอบให้คุณจะเป็นข้อมูลภูมิอากาศในอดีตสภาพอากาศปัจจุบันอุณหภูมิความเร็วลม ฯลฯ และป้ายกำกับจะเป็นเดือน ชุดค่าผสมข้างต้นสามารถช่วยให้คุณได้รับการคาดการณ์