<ruby id="bdb3f"></ruby>

    <p id="bdb3f"><cite id="bdb3f"></cite></p>

      <p id="bdb3f"><cite id="bdb3f"><th id="bdb3f"></th></cite></p><p id="bdb3f"></p>
        <p id="bdb3f"><cite id="bdb3f"></cite></p>

          <pre id="bdb3f"></pre>
          <pre id="bdb3f"><del id="bdb3f"><thead id="bdb3f"></thead></del></pre>

          <ruby id="bdb3f"><mark id="bdb3f"></mark></ruby><ruby id="bdb3f"></ruby>
          <pre id="bdb3f"><pre id="bdb3f"><mark id="bdb3f"></mark></pre></pre><output id="bdb3f"></output><p id="bdb3f"></p><p id="bdb3f"></p>

          <pre id="bdb3f"><del id="bdb3f"><progress id="bdb3f"></progress></del></pre>

                <ruby id="bdb3f"></ruby>

                ThinkChat2.0新版上線,更智能更精彩,支持會話、畫圖、視頻、閱讀、搜索等,送10W Token,即刻開啟你的AI之旅 廣告
                # 溫和地介紹預測建模 > 原文: [https://machinelearningmastery.com/gentle-introduction-to-predictive-modeling/](https://machinelearningmastery.com/gentle-introduction-to-predictive-modeling/) 當你是一個絕對的初學者時,它會非常混亂。令人沮喪的是。 當您第一次遇到它們時,即使是回想起來如此簡單的想法也是陌生的。有一種全新的語言需要學習。 我最近收到了這個問題: > 因此,如果我從花園采摘一朵花,那么使用[虹膜練習](http://machinelearningmastery.com/how-to-run-your-first-classifier-in-weka/)作為一個例子我將如何使用該算法來預測它是什么? 這是一個很好的問題。 在這篇文章中,我想對預測建模進行溫和的介紹。 ![Basics of Predictive Modeling](img/9449cc72b3ce4703b63997a40be662c3.jpg) 預測建模基礎知識 [Steve Jurvetson](https://www.flickr.com/photos/jurvetson/2542450115/) 的照片,保留一些權利。 ## 1.樣本數據 數據是有關您正在處理的問題的信息。 想象一下,我們想要從花的尺寸來識別花的種類。 數據由以厘米為單位的四個花測量值組成,這些是數據列。 每行數據都是已經測量過的花的一個例子,它是已知的物種。 我們要解決的問題是從樣本數據中創建一個模型,該模型可以告訴我們花朵屬于哪個物種。 ![Sample of Iris flower data](img/09c0c9871d048ec3f2fcaa81a9363728.jpg) 虹膜花數據樣本 ## 2.學習模型 上述問題稱為監督學習。 監督學習算法的目標是獲取具有已知關系的一些數據(實際花卉測量和花的種類)并創建這些關系的模型。 在這種情況下,輸出是一個類別(花種),我們稱這種類型的問題是分類問題。如果輸出是一個數值,我們稱之為回歸問題。 該算法進行學習。該模型包含學習的關系。 模型本身可能是少數數字以及使用這些數字將輸入(以厘米為單位的花測量)與輸出(花的種類)相關聯的方式。 在我們從樣本數據中學習之后,我們希望保留模型。 [![Create a Predictive Model](img/2e10b6f7551052800e6fb3990f7df639.jpg)](https://3qeqpr26caki16dnhd19sv6by6v-wpengine.netdna-ssl.com/wp-content/uploads/2015/09/Create-a-Predictive-Model.png) 根據訓練數據和算法創建預測模型。 ## 3.做出預測 我們不需要熱衷于訓練數據,因為模型已經總結了其中包含的關系。 我們保持從數據中學習模型的原因是因為我們想用它來進行預測。 在這個例子中,我們通過測量不知道物種的特定花來使用該模型。 我們的模型將讀取輸入(新測量),用它的內部數字執行某種計算,并預測它恰好是哪種花。 預測可能并不完美,但如果您擁有良好的樣本數據和從該數據中學習的穩健模型,那么它將非常準確。 ![Make Predictions](img/7ec09f0c88d369a27af0af1b19d38155.jpg) 使用該模型對新數據進行預測。 ## 摘要 在這篇文章中,我們對預測建模進行了非常溫和的介紹。 我們研究的預測建模的三個方面是: 1. **樣本數據**:我們收集的數據描述了輸入和輸出之間已知關系的問題。 2. **學習模型**:我們在樣本數據上使用的算法,用于創建我們以后可以反復使用的模型。 3. **制作預測**:將我們學習的模型用于我們不知道輸出的新數據。 我們使用基于花卉測量來分類植物物種的實例。 這實際上是機器學習中[著名的例子](https://en.wikipedia.org/wiki/Iris_flower_data_set),因為它是一個很好的干凈數據集,問題很容易理解。 ## 行動步驟 花一點時間,真正了解這些概念。 它們是您在機器學習中可能做的任何思考或工作的基礎。 您的行動步驟是考慮三個方面(數據,模型,預測)并將它們與您想要處理的問題聯系起來。 如有任何問題,請在評論中提問。我在這里幫忙。
                  <ruby id="bdb3f"></ruby>

                  <p id="bdb3f"><cite id="bdb3f"></cite></p>

                    <p id="bdb3f"><cite id="bdb3f"><th id="bdb3f"></th></cite></p><p id="bdb3f"></p>
                      <p id="bdb3f"><cite id="bdb3f"></cite></p>

                        <pre id="bdb3f"></pre>
                        <pre id="bdb3f"><del id="bdb3f"><thead id="bdb3f"></thead></del></pre>

                        <ruby id="bdb3f"><mark id="bdb3f"></mark></ruby><ruby id="bdb3f"></ruby>
                        <pre id="bdb3f"><pre id="bdb3f"><mark id="bdb3f"></mark></pre></pre><output id="bdb3f"></output><p id="bdb3f"></p><p id="bdb3f"></p>

                        <pre id="bdb3f"><del id="bdb3f"><progress id="bdb3f"></progress></del></pre>

                              <ruby id="bdb3f"></ruby>

                              哎呀哎呀视频在线观看