آشنایی با انواع الگوریتم بهینه سازی

مثال الگوریتم های طبقه بندی ساده بیزمجموعه آشنایی با انواع الگوریتم بهینه سازی  داده زیر را در نظر بگیرید که در آن یک ورزشکار در آن بازی می کند یا نه، همراه با شرایط آب و هوایی مشاهده می شود.الگوریتم های طبقه بندی پایتون

فرض کنید اکنون باید پیش بینی کنیم که آیا آن شخص بازی می کند یا نه، با توجه به اینکه رطوبت "بالا" و باد "قوی" است. سپس با استفاده از طبقه بندی کننده بیز، می توانیم احتمال را به صورت زیر محاسبه کنیم:مزایای الگوریتم طبقه بندی ساده بیزساده است و اجرای آن ساده است.

زمان مورد نیاز ماشین برای یادگیری الگو با استفاده از این طبقه بندی کننده کمتر است.در مواردی که متغیرهای ورودی دارای مقادیر طبقه‌بندی هستند، عملکرد خوبی دارد.نتایج خوبی برای مشکلات پیچیده دنیای واقعی می دهد.در مورد طبقه بندی چند کلاسه عملکرد آشنایی با انواع الگوریتم بهینه سازی  خوبی دارد.

معایب الگوریتم طبقه بندی Naive Bayesدر بین متغیرهای ویژگی استقلال را فرض می کند که ممکن است همیشه اینطور نباشد.ما اغلب از آن به عنوان یک برآوردگر بد یاد می کنیم، و از این رو احتمالات همیشه اهمیت زیادی ندارند.

اگر در طول زمان آموزش، مدل از هیچ یک از متغیرهای طبقه‌بندی آگاه نبود و آن متغیر در طول آزمایش پاس شد، مدل 0 (صفر) احتمال را به آن اختصاص می‌دهد و بنابراین احتمال صفر را جایگزین می‌کند که به آن «فرکانس صفر» گفته می‌شود. می توان با استفاده از روش های هموارسازی مانند تخمین لاپلاس از این وضعیت جلوگیری کرد.

کاربردهای الگوریتم طبقه بندی ساده بیزطبقه‌بندی هرزنامه: تشخیص اینکه آیا یک ایمیل اسپم است یا نه بر اساس محتوای ایمیل سیستم پیش بینی زنده: این مدل نسبتا سریع است و بنابراین متغیر هدف را در زمان واقعی پیش بینی می کند.

تجزیه و تحلیل احساسات: شناخت بازخورد در مورد ایرانیان سایبر یک محصول و طبقه بندی آن به عنوان "مثبت" یا "منفی".پیش‌بینی چند کلاسه: Naive Bayes برای مشکلات یادگیری آشنایی با انواع الگوریتم بهینه سازی  ماشین طبقه‌بندی چند کلاسه به خوبی کار می‌کند.دسترسی رایگان به کدهای مثال یادگیری ماشینی برای پاکسازی داده ها، حذف داده ها و تجسم داده ها

  2. رگرسیون لجستیک

این الگوریتم مشابه طبقه‌بندی‌کننده بیز است زیرا احتمال مرتبط بودن Y را با متغیر ورودی X نیز پیش‌بینی می‌کند. از تابع لجستیک استفاده می‌کند.

و با استفاده از تکنیک حداکثر درستنمایی، پارامترهای ð›ƒ0 و ð›ƒ1 را برازش می کند. این تکنیک شامل حداکثر کردن تابع احتمال داده شده توسط پس از ارزیابی دو پارامتر، می توان به راحتی از تابع لجستیک برای پیش بینی احتمال متغیر هدف p(xi) برای ورودی xi استفاده کرد.در مورد بیش از یک متغیر ویژگی (X1، X2،...، XP)، فرمول را می توان به صورت تعمیم داد.

مزایای الگوریتم یادگیری ماشین طبقه بندی رگرسیون لجستیکاین یک مدل ساده است، بنابراین زمان بسیار کمی برای آموزش نیاز ارد.این می تواند تعداد زیادی از ویژگی ها را اداره کند.معایب الگوریتم طبقه بندی رگرسیون لجستیک

اگرچه در نام آن کلمه رگرسیون وجود آشنایی با انواع الگوریتم بهینه سازی  دارد، اما ما فقط می‌توانیم از آن برای مسائل طبقه‌بندی استفاده کنیم زیرا محدوده آن همیشه بین 0 و 1 قرار دارد.

فقط برای مسائل طبقه بندی باینری قابل استفاده است و برای مسائل طبقه بندی چند کلاسه پاسخ ضعیفی داردکاربردهای الگوریتم طبقه بندی رگرسیون لجستیک

امتیازدهی اعتباری: برای پیش بینی اعتبار (قابلیت بازپرداخت بوروام ردیفی) یک فرد بر اساس برخی ویژگی ها مانند درآمد سالانه، مانده حساب و غیره.

پیش‌بینی رفتار کاربر: بسیاری از وب‌سایت‌ها از رگرسیون لجستیک برای پیش‌بینی رفتار کاربر استفاده می‌کنند و آنها را به سمت کلیک کردن روی پیوندهایی که ممکن است مورد علاقه‌شان باشد راهنمایی می‌کنند.

تجزیه و تحلیل گسسته انتخاب: رگرسیون لجستیک آشنایی با الگوریتم بهینه سازی  یک انتخاب عالی برای پیش بینی ترجیحات طبقه بندی شده افراد است. نمونه‌هایی برای این می‌تواند این باشد که بر اساس ویژگی‌های افراد و گزینه‌های متنوعی که در اختیار دارند، کدام خودرو را بخریم، در کدام مدرسه یا دانشگاه تحصیل کنیم و غیره.خواندن توصیه می شود:راهنمای A-Z برای الگوریتم نزول گرادیان و انواع آن