Une brève note sur les méthodes d’apprentissage supervisées, non supervisées, semi-supervisées et de renforcement
Pour cette famille de modèles, la recherche doit avoir à portée de main un ensemble de données avec quelques observations et les étiquettes / classes des observations. Par exemple, les observations pourraient être des images d’animaux et les étiquettes le nom de l’animal (par exemple chat, chien, etc.).
Ces modèles apprennent de l’ensemble de données étiqueté et sont ensuite utilisés pour prédire les événements futurs. Pour la procédure d’apprentissage, l’entrée est un ensemble de données d’apprentissage connu avec ses étiquettes correspondantes, et l’algorithme d’apprentissage produit une fonction inférée pour finalement faire des prédictions sur de nouvelles observations invisibles que l’on peut donner au modèle. Le modèle est capable de fournir des cibles pour toute nouvelle entrée après une formation suffisante. L’algorithme d’apprentissage peut également comparer sa sortie avec la sortie voulue correcte (étiquette de vérité au sol) et trouver des erreurs afin de se modifier en conséquence (par exemple via une rétropropagation).
Supervisé les modèles peuvent être regroupés régression et classification cas:
- Classification: Un problème de classification survient lorsque la variable de sortie est une catégorie, par ex. «Maladie» / «pas de maladie».
- Régression: Un problème de régression survient lorsque la variable de sortie est une vraie valeur continue, par ex. prédiction du cours des actions
Voici quelques exemples de modèles appartenant à cette famille: SVC, LDA, SVR, régression, forêts aléatoires, etc.
