เหตุใดการถดถอยแบบลอจิสติกจึงเรียกว่าอัลกอริทึมการเรียนรู้ของเครื่อง?

ถ้าฉันเข้าใจถูกต้องในอัลกอริทึมการเรียนรู้ของเครื่องโมเดลต้องเรียนรู้จากประสบการณ์ของมันเช่นเมื่อแบบจำลองให้การทำนายผิดสำหรับกรณีใหม่มันจะต้องปรับให้เข้ากับการสังเกตใหม่และในเวลานั้นแบบจำลองจะยิ่งดีขึ้น . ฉันไม่เห็นว่าการถดถอยโลจิสติกมีคุณสมบัตินี้ เหตุใดจึงยังถือว่าเป็นขั้นตอนวิธีการเรียนรู้ของเครื่อง? ความแตกต่างระหว่างการถดถอยโลจิสติกกับการถดถอยปกติในแง่ของ "การเรียนรู้" คืออะไร?

ฉันมีคำถามเดียวกันสำหรับป่าสุ่ม!

และคำจำกัดความของ "การเรียนรู้ของเครื่อง" คืออะไร?

การเรียนรู้ของเครื่องไม่ใช่คำที่กำหนดไว้อย่างดี

อันที่จริงถ้าคุณ Google "นิยามการเรียนรู้ของเครื่อง" สองสิ่งแรกที่คุณได้รับจะแตกต่างกันมาก

จากWhatIs.com ,

การเรียนรู้ของเครื่องเป็นประเภทของปัญญาประดิษฐ์ (AI) ที่ช่วยให้คอมพิวเตอร์มีความสามารถในการเรียนรู้โดยไม่ต้องตั้งโปรแกรมอย่างชัดเจน การเรียนรู้ของเครื่องมุ่งเน้นไปที่การพัฒนาโปรแกรมคอมพิวเตอร์ที่สามารถสอนตนเองให้เติบโตและเปลี่ยนแปลงเมื่อได้รับข้อมูลใหม่

จากWikipedia ,

การเรียนรู้ของเครื่องสำรวจการสร้างและการศึกษาอัลกอริทึมที่สามารถเรียนรู้และทำการทำนายข้อมูล

การถดถอยโลจิสติกไม่ต้องสงสัยตรงกับคำจำกัดความของวิกิพีเดียและคุณสามารถโต้แย้งได้ว่ามันเหมาะกับการกำหนดค่าแบบ WhatIs หรือไม่

ฉันกำหนดนิยามการเรียนรู้ด้วยตนเองของเครื่องจักรเช่นเดียวกับที่ Wikipedia ทำและถือว่าเป็นส่วนหนึ่งของสถิติ

การเรียนรู้ของเครื่องร้อนและเป็นที่ที่มีเงินอยู่ ผู้คนเรียกสิ่งที่พวกเขากำลังพยายามขายสิ่งที่ร้อนในขณะนี้และดังนั้น "ขาย" ที่สามารถขายซอฟต์แวร์ ที่สามารถขายตัวเองเป็นพนักงานปัจจุบันพยายามรับการเลื่อนตำแหน่งเป็นพนักงานที่คาดหวังในฐานะที่ปรึกษา ฯลฯ อาจเป็นผู้จัดการที่พยายามรับงบประมาณที่ได้รับการอนุมัติจาก บริษัท ใหญ่ ๆ เพื่อจ้างคนและซื้อสิ่งของหรือโน้มน้าวให้นักลงทุนลงทุน การเริ่มต้นใหม่ที่ร้อนแรงของเขา / เธอซึ่งทำให้ Machine Learning เป็นกุญแจสำคัญในการสร้างแอพ sexting ที่ได้รับการปรับปรุง ดังนั้นการเรียนรู้ของเครื่องและผู้คนจึงเป็นผู้เชี่ยวชาญด้านการเรียนรู้ของเครื่องเพราะนั่นคือสิ่งที่ร้อนแรงและสิ่งที่ขายได้ ... อย่างน้อยก็ในตอนนี้

ฉันทำแบบจำลองสถิติเชิงเส้นและไม่เชิงเส้นทุกชนิดมานานกว่า 30 ปีแล้ว มันไม่ได้เรียกว่าการเรียนรู้ของเครื่อง ตอนนี้ส่วนใหญ่จะเป็น

เช่นเดียวกับทุกคนและลุงของพวกเขาตอนนี้เป็นข้อมูล "นักวิทยาศาสตร์" มันร้อนแรงและเซ็กซี่มาก ๆ นั่นคือสิ่งที่ผู้คนเรียกตัวเอง และนั่นคือสิ่งที่ผู้จัดการการจ้างงานที่ต้องได้รับการอนุมัติงบประมาณเพื่อจ้างงานบางตำแหน่ง ดังนั้นใครบางคนที่ไม่รู้สิ่งแรกเกี่ยวกับคณิตศาสตร์ความน่าจะเป็นสถิติการหาค่าเหมาะที่สุดหรือการคำนวณตัวเลข / จุดลอยตัวใช้แพ็คเกจ R หรือ Python ของความถูกต้องที่น่าสงสัยและความทนทานของการนำไปใช้ เพื่อนำไปใช้กับข้อมูลที่พวกเขาไม่เข้าใจและเรียกตัวเองว่า Data Scientist ตามประสบการณ์ในการทำเช่นนั้น

สิ่งนี้อาจฟังดูไม่ราบรื่น แต่ฉันเชื่อว่ามันเป็นสาระสำคัญของสถานการณ์

แก้ไข:ทวีตต่อไปนี้เมื่อวันที่ 26 กันยายน 2019:

https://twitter.com/daniela_witten/status/1177294449702928384

Daniela Witten @daniela_witten "เมื่อเราหาเงินเป็น AI เมื่อเราจ้างมันเป็นการเรียนรู้ของเครื่องจักรและเมื่อเราทำงานมันเป็นการถดถอยโลจิสติก"

(ฉันไม่แน่ใจว่าใครมากับสิ่งนี้ แต่มันเป็นอัญมณี💎)

ดังที่คนอื่น ๆ ได้กล่าวไปแล้วไม่มีการแบ่งแยกที่ชัดเจนระหว่างสถิติการเรียนรู้ของเครื่องปัญญาประดิษฐ์และอื่น ๆ ใช้คำจำกัดความใด ๆ กับเกลือเม็ด การถดถอยแบบลอจิสติกนั้นมักจะถูกระบุว่าเป็นสถิติมากกว่าการเรียนรู้ของเครื่องในขณะที่เครือข่ายประสาทมักจะระบุว่าการเรียนรู้ของเครื่อง

ในความคิดของฉันวิธีการเรียนรู้การเรียนรู้ด้วยเครื่องจักรที่สามารถเรียนรู้จากข้อมูลได้โดยทั่วไปแล้วโดยการสร้างแบบจำลองในรูปทรงหรือรูปแบบ การถดถอยแบบลอจิสติกเช่น SVM, โครงข่ายประสาทเทียม, ฟอเรสต์ป่าไม้และเทคนิคอื่น ๆ อีกมากมายเรียนรู้จากข้อมูลเมื่อสร้างแบบจำลอง

ถ้าฉันเข้าใจอย่างถูกต้องในอัลกอริทึมการเรียนรู้ของเครื่องจักรโมเดลต้องเรียนรู้จากประสบการณ์ของมัน

นั่นไม่ใช่วิธีการเรียนรู้ของเครื่องโดยทั่วไป ไม่ใช่วิธีการเรียนรู้ของเครื่องทุกรุ่นที่ให้รูปแบบที่ปรับให้เข้ากับข้อมูลใหม่แบบไดนามิก (สาขาย่อยนี้เรียกว่าการเรียนรู้ออนไลน์ )

ความแตกต่างระหว่างการถดถอยโลจิสติกกับการถดถอยปกติในแง่ของ "การเรียนรู้" คืออะไร?

วิธีการถดถอยหลายวิธีจัดอยู่ในประเภทการเรียนรู้ของเครื่อง (เช่น SVM)

การถดถอยโลจิสติกถูกคิดค้นโดยนักสถิติ DR Cox ในปี 1958 และถือกำเนิดสาขาการเรียนรู้ของเครื่อง การถดถอยโลจิสติกไม่ใช่วิธีการจำแนกขอบคุณพระเจ้า มันเป็นแบบจำลองความน่าจะเป็นโดยตรง

หากคุณคิดว่าอัลกอริทึมจะต้องมีสองขั้นตอน (คาดเดาเริ่มต้นแล้ว "แก้ไข" การคาดการณ์ "ข้อผิดพลาด") พิจารณาสิ่งนี้: การถดถอยโลจิสติกทำให้ถูกต้องในครั้งแรก นั่นคือในพื้นที่ของรุ่นเสริม (ใน logit) การถดถอยแบบลอจิสติกเป็นคู่แข่งโดยตรงของวิธีการเรียนรู้ด้วยเครื่องจักรจำนวนมากและมีประสิทธิภาพสูงกว่าหลายวิธีเมื่อตัวทำนายส่วนใหญ่กระทำการเพิ่มเติม (หรือเมื่อความรู้ในเรื่องที่ถูกต้องมีการระบุล่วงหน้าไว้ล่วงหน้า) บางคนเรียกการถดถอยโลจิสติกเป็นประเภทของการเรียนรู้ของเครื่อง แต่ส่วนใหญ่จะไม่ คุณสามารถเรียกวิธีการเรียนรู้ของเครื่อง (แบบโครงข่ายประสาทเทียม) แบบจำลองทางสถิติ

ฉันจะต้องไม่เห็นด้วยกับคำตอบส่วนใหญ่ที่นี่และอ้างสิทธิ์ในการเรียนรู้ของเครื่องมีขอบเขตที่แม่นยำมากและมีความแตกต่างอย่างชัดเจนจากสถิติ ML เป็นสาขาย่อยของวิทยาการคอมพิวเตอร์ที่มีประวัติยาวนานซึ่งในช่วงไม่กี่ปีที่ผ่านมาได้พบแอปพลิเคชันนอกโดเมน เขตข้อมูลบิดาและแอปพลิเคชันของ ML อยู่ภายในปัญญาประดิษฐ์ (หุ่นยนต์ซอฟต์แวร์การจดจำรูปแบบและอื่น ๆ ) ดังนั้นจึงไม่ใช่แค่ "คำว่าร้อน" เช่น "ข้อมูลขนาดใหญ่" หรือ "วิทยาศาสตร์ข้อมูล" ในทางกลับกันสถิติ (ซึ่งมาจากคำว่า "รัฐ") ได้รับการพัฒนาในด้านวิทยาศาสตร์สังคมและเศรษฐกิจในฐานะเครื่องมือสำหรับมนุษย์ไม่ใช่เครื่องจักร ML วิวัฒนาการมาแยกจากสถิติและแม้ว่าจะอยู่ที่ไหนสักแห่งระหว่างทางที่มันเริ่มพึ่งพาหลักการทางสถิติอย่างหนักก็ไม่ได้หมายถึงฟิลด์ย่อยของสถิติ ML และสถิติเป็นส่วนเสริมไม่ใช่เขตข้อมูลที่ทับซ้อนกัน

คำตอบยาว :

โดยนัยโดยวิธีการชื่อ ML ถูกสร้างขึ้นสำหรับซอฟต์แวร์ / เครื่องในขณะที่วิธีการทางสถิติถูกสร้างขึ้นสำหรับมนุษย์ ทั้ง ML และสถิติจัดการกับการคาดการณ์ข้อมูลอย่างไรก็ตามวิธี ML นั้นเป็นไปตามวิธีการที่ไม่ใช้พารามิเตอร์อัตโนมัติในขณะที่วิธีการทางสถิตินั้นต้องการงานสร้างแบบจำลองด้วยตนเองจำนวนมากพร้อมกับปัจจัยที่อธิบายเพิ่มเติม สิ่งนี้เหมาะสมอย่างยิ่งหากคุณพิจารณาว่าอัลกอริธึม ML ได้รับการพัฒนาในการวิจัย AI ซึ่งเป็นวิธีการทำนายอัตโนมัติที่ตั้งใจจะรวมเข้ากับซอฟต์แวร์หุ่นยนต์ (เช่นเพื่อการจดจำเสียงและใบหน้า) เมื่อ "เครื่องจักร" ทำนายผลมันไม่สนใจเหตุผลที่อยู่เบื้องหลัง เครื่องจักรไม่สนใจที่จะรู้ว่าไดรเวอร์ / ตัวพยากรณ์อยู่เบื้องหลังแบบจำลองซึ่งแยกประเภทอีเมลว่าเป็นสแปมหรือไม่ใช่สแปม แต่ก็สนใจที่จะมีความแม่นยำในการทำนายที่ดีที่สุดเท่านั้นกล่องดำไม่ใช่เพราะไม่มีโมเดล แต่เป็นเพราะโมเดลถูกสร้างแบบอัลกอริธึมและไม่ได้หมายถึงมนุษย์หรือเครื่องจักร

แนวคิดของ "การฝึกอบรม" ใน ML ขึ้นอยู่กับพลังการคำนวณในขณะที่การสร้างแบบจำลองทางสถิติด้วยวิธีการ OLS-type สำหรับการประมาณค่าพารามิเตอร์ขึ้นอยู่กับความรู้ของผู้เชี่ยวชาญของมนุษย์ ในสถานการณ์การถดถอยหลายครั้งนักสถิติจะใช้วิจารณญาณของผู้เชี่ยวชาญอย่างเคร่งครัดในการเลือกแบบจำลองของเขาและตรวจสอบสมมติฐานทางสถิติที่จำเป็นทั้งหมด เป้าหมายของนักสถิติไม่ได้เป็นเพียงการหารูปแบบและใช้พวกเขาสำหรับการคาดการณ์ แต่ยังเข้าใจข้อมูลของเขาและปัญหาของเขาในเชิงลึกมากกว่า ML

แน่นอนในบางโอกาส ML และสถิติมีการทับซ้อนกันเช่นในกรณีที่มีสาขาวิชาจำนวนมาก การถดถอยโลจิสติกเป็นหนึ่งในโอกาสเหล่านี้ แต่เดิมเป็นวิธีการทางสถิติซึ่งมีความคล้ายคลึงกับ Perceptron อย่างง่ายมาก (หนึ่งในเทคนิค ML พื้นฐานที่สุด) ซึ่งบางส่วนถูกมองว่าเป็นวิธี ML

การเรียนรู้ของเครื่องนั้นค่อนข้างเข้มงวดและคุณคิดถูกว่าโมเดลการถดถอยไม่ใช่แค่การเรียนรู้การถดถอยโลจิสติกเท่านั้น ฉันไม่แน่ใจว่านี่หมายความว่าการเรียนรู้ของเครื่องนั้นเป็นสถิติจริง ๆ หรือสถิตินั้นเป็นการเรียนรู้ของเครื่องจริง ๆ หรือถ้าเป็นอย่างนี้

$k$

ที่กล่าวว่าอัลกอริทึมบางอย่างเรียนรู้จากข้อผิดพลาดในการทำนายซึ่งเป็นเรื่องปกติโดยเฉพาะอย่างยิ่งในการเรียนรู้การเสริมแรงโดยที่ตัวแทนดำเนินการบางอย่างสังเกตผลของมันแล้วใช้ผลลัพธ์เพื่อวางแผนการกระทำในอนาคต ตัวอย่างเช่นสูญญากาศหุ่นยนต์อาจเริ่มต้นด้วยรูปแบบของโลกที่มันทำความสะอาดทุกสถานที่อย่างเท่าเทียมกันบ่อยครั้งและจากนั้นเรียนรู้ที่จะดูดฝุ่นในสถานที่สกปรก (ที่ "ได้รับรางวัล" โดยการค้นหาสิ่งสกปรก)

อัลกอริทึมแบบออนไลน์หรือแบบเพิ่มหน่วยสามารถอัปเดตซ้ำ ๆ ด้วยข้อมูลการฝึกอบรมใหม่ สิ่งนี้ไม่จำเป็นต้องขึ้นอยู่กับความแม่นยำในการทำนายของแบบจำลอง แต่ฉันสามารถจินตนาการอัลกอริทึมที่มีการอัปเดตตุ้มน้ำหนักได้มากขึ้นหากยกตัวอย่างเช่นข้อมูลใหม่ดูเหมือนว่าไม่น่าเป็นไปได้มากนักสำหรับรุ่นปัจจุบัน เช่น: มีรุ่นออนไลน์ถดถอยโลจิสติมีMcMahan และ Streeeter (2012)

ในที่สุดฉันก็พบมัน ตอนนี้ฉันรู้ถึงความแตกต่างระหว่างการปรับตัวแบบสถิติกับการเรียนรู้ของเครื่อง

• หากคุณพอดีกับแบบจำลอง (การถดถอย) นั่นคือแบบจำลองเชิงสถิติที่เหมาะสม
• หากคุณเรียนรู้รูปแบบ (การถดถอย) นั่นเป็นการเรียนรู้ของเครื่อง

ดังนั้นถ้าคุณเรียนรู้การถดถอยโลจิสติกนั่นคืออัลกอริทึมการเรียนรู้ของเครื่อง

ความคิดเห็น: ให้อภัยฉันเพราะเป็นคนแก่ที่เก่าแก่ แต่เมื่อใดก็ตามที่ฉันได้ยินคนพูดถึงการเรียนรู้รูปแบบหรือการเรียนรู้การถดถอยมันทำให้ฉันคิดว่า Jethro "ฉันเรียนรู้การศึกษา"

สิ้นสุดกระทู้

การถดถอยโลจิสติก (และโดยทั่วไปแล้ว GLM) ไม่ได้เป็นของการเรียนรู้ของเครื่อง! แต่วิธีการเหล่านี้เป็นของการสร้างแบบจำลองพารามิเตอร์

ทั้งโมเดลพารามิเตอร์และอัลกอริธึม (ML) ใช้ข้อมูล แต่ในวิธีที่ต่างกัน อัลกอริทึมแบบจำลองเรียนรู้จากข้อมูลว่าตัวทำนายจับคู่แผนที่กับตัวทำนายอย่างไร แต่พวกเขาไม่ได้ตั้งสมมติฐานเกี่ยวกับกระบวนการที่สร้างการสังเกต (หรือสมมติฐานอื่นใด) พวกเขาพิจารณาว่าความสัมพันธ์พื้นฐานระหว่างตัวแปรอินพุทและเอาท์พุทนั้นซับซ้อนและไม่ทราบดังนั้นจึงใช้วิธีการที่ขับเคลื่อนด้วยข้อมูลเพื่อทำความเข้าใจว่าเกิดอะไรขึ้นแทนที่จะกำหนดสมการอย่างเป็นทางการ

ในทางกลับกันโมเดลพารามิเตอร์จะถูกกำหนดเป็นนิรนัยโดยอาศัยความรู้เกี่ยวกับกระบวนการศึกษาใช้ข้อมูลเพื่อประมาณค่าพารามิเตอร์ของพวกเขาและสร้างสมมติฐานที่ไม่สมจริงซึ่งไม่ค่อยมีอยู่จริงในทางปฏิบัติ (เช่นความเป็นอิสระความแปรปรวนที่เท่ากันและ การกระจายข้อผิดพลาดปกติ)

นอกจากนี้แบบจำลองพารามิเตอร์ (เช่นการถดถอยโลจิสติก) เป็นแบบจำลองทั่วโลก พวกเขาไม่สามารถจับรูปแบบโลคอลในข้อมูล (ต่างจากวิธี ML ที่ใช้ต้นไม้เป็นแบบจำลองพื้นฐานเช่น RF หรือต้นไม้ที่ได้รับการเพิ่ม) ดูที่หน้ากระดาษนี้ 5. ในฐานะที่เป็นกลยุทธ์การฟื้นฟูสามารถใช้ GLM ในพื้นที่ (เช่นที่ไม่ใช่พารามิเตอร์) (ดูตัวอย่างของlocfit R แพ็คเกจ)

บ่อยครั้งที่เมื่อมีความรู้เล็กน้อยเกี่ยวกับปรากฏการณ์ที่มีอยู่แล้วจะเป็นการดีกว่าที่จะนำวิธีการที่ใช้ข้อมูลมาใช้และใช้แบบจำลองอัลกอริทึม ตัวอย่างเช่นหากคุณใช้การถดถอยแบบโลจิสติกในกรณีที่การทำงานร่วมกันระหว่างตัวแปรอินพุตและเอาต์พุตไม่เป็นเชิงเส้นโมเดลของคุณจะไม่ชัดเจนอย่างชัดเจนและสัญญาณจำนวนมากจะไม่ถูกจับ อย่างไรก็ตามเมื่อกระบวนการนั้นเป็นที่เข้าใจกันอย่างดีโมเดลพาราเมทริกมีข้อได้เปรียบในการให้สมการอย่างเป็นทางการเพื่อสรุปทุกอย่างซึ่งมีประสิทธิภาพจากมุมมองเชิงทฤษฎี

สำหรับการอภิปรายรายละเอียดเพิ่มเติมโปรดอ่านนี้กระดาษที่ยอดเยี่ยมโดยลีโอเบรแมน

ฉันคิดว่าคำตอบอื่น ๆ ทำงานได้ดีในการระบุว่าการเรียนรู้ของเครื่องคืออะไร (เช่นที่พวกเขาระบุว่ามันอาจเป็นสิ่งที่คลุมเครือ) ฉันจะเพิ่มว่า Logistic Regression (และรุ่น multinomial ทั่วไปมากกว่านั้น) ใช้กันอย่างแพร่หลายเป็นวิธีการจำแนกประเภทในเครือข่ายประสาทเทียม (ซึ่งฉันคิดว่าครอบคลุมอย่างไม่น่าสงสัยโดยสิ่งที่นิยามการเรียนรู้ของเครื่องที่เหมาะสม) การถดถอยโลจิสติกส์ไปยังบุคคลในระบบประสาทพวกเขามีแนวโน้มที่จะคิดทันทีในบริบทนี้ การผูกเข้ากับ hitter ที่หนักหน่วงในการเรียนรู้ของเครื่องจักรเป็นวิธีที่ดีที่จะกลายเป็นเทคนิคการเรียนรู้ของเครื่องจักรด้วยตนเองและฉันคิดว่าในระดับหนึ่งที่เกิดขึ้นกับเทคนิคการถดถอยที่หลากหลายแม้ว่าฉันจะไม่ลดทอนพวกเขา ในและของตัวเอง

ฉันคิดว่าขั้นตอนใด ๆ ที่เป็น "ซ้ำ" ถือได้ว่าเป็นกรณีของการเรียนรู้ของเครื่อง การถดถอยถือได้ว่าเป็นการเรียนรู้ของเครื่อง เราสามารถทำได้ด้วยมือ แต่จะใช้เวลานานถ้าเป็นไปได้ทั้งหมด ดังนั้นตอนนี้เรามีโปรแกรมเครื่องจักรที่ทำซ้ำสำหรับเรา มันเข้าใกล้โซลูชันมากขึ้นหรือใกล้เคียงที่สุดหรือเหมาะสมที่สุด ดังนั้น "การเรียนรู้ของเครื่อง" แน่นอนว่าสิ่งต่าง ๆ เช่นเครือข่ายนิวรัลได้รับความสนใจมากที่สุดในเรื่องการเรียนรู้ของเครื่องดังนั้นเราจึงมักจะเชื่อมโยงการเรียนรู้ของเครื่องกับขั้นตอนการเซ็กซี่เหล่านี้ นอกจากนี้ความแตกต่างระหว่างการเรียนรู้ของเครื่อง "แบบมีผู้ดูแล" และ "ไม่ได้รับการดูแล" นั้นมีความเกี่ยวข้องที่นี่

เป็นความผิดพลาดทั่วไปที่คนส่วนใหญ่ทำและฉันเห็นได้ที่นี่ด้วย (ทำโดยเกือบทุกคน) ให้ฉันอธิบายรายละเอียด ... Logistic Regression และตัวแบบถดถอยเชิงเส้นทั้งสองเป็นแบบพารามิเตอร์และเทคนิคการเรียนรู้ของเครื่อง มันขึ้นอยู่กับวิธีการที่คุณใช้ในการประมาณพารามิเตอร์โมเดล (theta's) มี 2 ​​วิธีในการค้นหาพารามิเตอร์โมเดลในการถดถอยเชิงเส้นและโลจิสติก reg

1. เทคนิคการไล่ระดับสีไล่ระดับ : ที่นี่เราเริ่มต้นด้วยการกำหนดค่าสุ่มให้กับพารามิเตอร์และค้นหาฟังก์ชั่นค่าใช้จ่าย (ข้อผิดพลาด) ในการวนซ้ำแต่ละครั้งเราอัปเดตพารามิเตอร์ของเราและลดฟังก์ชั่นลดต้นทุน หลังจากการวนซ้ำจำนวนหนึ่งฟังก์ชันต้นทุนลดลงเป็นค่าที่ต้องการและค่าพารามิเตอร์ที่เกี่ยวข้องคือค่าสุดท้ายของเรา นี่คือสิ่งที่เทคนิคการเรียนรู้ของเครื่องควรจะทำ ดังนั้นหากคุณใช้เทคนิคการไล่ระดับสีแบบไล่ระดับการถดถอยแบบโลจิสติกสามารถเรียกได้ว่าเป็นเทคนิคการเรียนรู้ของเครื่อง

2. โดยใช้ Least Square: ที่นี่เรามีสูตรโดยตรงเพื่อค้นหาพารามิเตอร์ของเรา (พีชคณิตเมทริกซ์บางตัวจำเป็นต้องเข้าใจถึงการสืบทอดของสูตรนี้) ซึ่งเรียกว่าสมการปกติ

ที่นี่ b หมายถึงพารามิเตอร์ X คือเมทริกซ์การออกแบบ ทั้งสองวิธีมีข้อดีและข้อ จำกัด ของตัวเอง ในการรับรายละเอียดเพิ่มเติม: ทำตามหลักสูตรการเรียนรู้ของเครื่องเรียนรู้ยังคงทำงานอยู่

ฉันหวังว่าโพสต์นี้อาจมีประโยชน์ .. :-)