Introduzione
Gli output dei modelli di classificazione sono organizzati in categorie, ovvero possono essere usati per etichettare input o per i processi decisionali. Ad esempio, un'auto a guida autonoma usa la classificazione per decidere se svoltare a sinistra o a destra a un incrocio. Un modello di classificazione differisce dai modelli di regressione classica in cui gli output sono continui, ad esempio la taglia di una scarpa o la velocità di un treno. È il funzionamento dei modelli di classificazione a essere diverso. Per iniziare, ci si concentrerà sulla regressione logistica, che è un tipo di modello più semplice e diffuso ampiamente utilizzato in molti settori scientifici e industriali.
Scenario: previsione delle valanghe con l'apprendimento automatico
Nel corso di questo modulo viene usato lo scenario di esempio seguente per illustrare i concetti correlati alla classificazione. Questo scenario è appositamente studiato per offrire un esempio di applicazione pratica di questi concetti durante la programmazione.
L'associazione di volontariato di cui si fa parte è responsabile delle operazioni di salvataggio in caso di valanghe sui percorsi escursionistici nel nord-ovest degli Stati Uniti. Anche se l'opzione più sicura sarebbe chiudere definitivamente tutti i sentieri durante la stagione invernale, questo significherebbe impedire agli sportivi di usufruirne. L'obiettivo è quello di creare un modello in grado di prevedere se in un determinato giorno potrebbe verificarsi una valanga. Usando la previsione, si potrebbe quindi chiudere il sentiero quando il rischio è elevato. Tenere presente che prevedere valanghe che non si verificano può danneggiare il turismo locale, mentre non prevedere valanghe che si verificano può causare la perdita di vite. È evidente che è necessario trovare un equilibrio.
Attenzione
I dati per questi esercizi sono frutto di fantasia e sono esclusivamente a scopo didattico. Nota per gli appassionati di trekking e sci: è possibile usare l'apprendimento automatico per prevedere le valanghe, ma non usare questi dati o il modello sottoposto a training se non per imparare l'utilizzo del Machine Learning.
Prerequisiti
- Familiarità con i modelli di Machine Learning
Obiettivi di apprendimento
Contenuto del modulo:
- Individuare le differenze tra classificazione e regressione classica
- Creare modelli in grado di eseguire attività di classificazione
- Scoprire come valutare e migliorare i modelli di classificazione