Supervised Learning은 모델이 라벨 데이터에 훈련되는 기본적인 기계 학습 접근법입니다. 예를 들어 쌍을 기반으로 출력하는 입력에서 맵핑을 학습하는 것이 포함됩니다. 이 방법은 이미지 인식, 스팸 탐지 및 예측 분석과 같은 응용 분야에서 널리 사용됩니다.

초시 학습의 핵심 개념

초시 학습에서, dataset는 각 입력이 알려진 라벨과 관련되는 입력 출력 쌍으로 이루어져 있습니다. 목표는 새로운, 비공개 데이터에 대한 라벨을 정확하게 예측할 수있는 모델을 개발하는 것입니다. 이 과정은 모델의 효과를 보장하기 위해 훈련, 검증 및 테스트 단계가 포함되어 있습니다.

모델 디자인 및 선택

올바른 모델 선택은 문제 유형과 데이터 특성에 따라 다릅니다. 일반적인 모델은 연속 출력 및 분류 알고리즘에 대한 선형 회귀가 있습니다. 결정 나무 또는 신경 네트워크와 같은 특정 모델은 분류됩니다. 모델 복잡성은 정확성과 과잉 위험을 균형 잡히는 것입니다.

단계별

  • 수집 및 사전 처리 라벨 데이터
  • 적합한 모델 아키텍처 선택
  • 교육 데이터를 사용하여 모델을 기차
  • 별도의 dataset로 모델을 검증
  • unseen data에 모델의 성능을 테스트