Введение
Не все модели являются простыми математическими формулами, которые могут быть отображены в виде линии на графике. Вместо этого некоторые сложные модели скорее представляют собой блок-схемы или традиционные структуры программирования. Такие модели обычно имеют дополнительные уровни настройки, что может сделать их более мощными и в то же время более сложными в работе. В рамках этих упражнений мы рассмотрим эти моменты, управляя работой моделей и их обучением. Несмотря на то что основное внимание будет уделяться модели одного типа, общие принципы, которые рассматриваются здесь, также применяются ко многим другим типам моделей.
Сценарий: прогнозирование спортивных результатов с помощью машинного обучения
В этом модуле мы рассмотрим следующий пример сценария, как мы объясним концепции архитектуры модели и гиперпараметров. Этот сценарий предназначен для того, чтобы сначала показаться сложным, но по мере выполнения упражнений мы узнаем, как вы можете справиться с ним с помощью немного критического мышления и экспериментирования.
Девиз Игры состоит из трех латинских слов: Citius - Altius - Фортиус. Эти слова означают "быстрее, выше, сильнее". Так как этот девиз был создан, разнообразие игр выросло чрезвычайно, чтобы включить стрельбу, парусный спорт и командные виды спорта. Мы хотели бы изучить роль, что основные физические функции по-прежнему играют в прогнозировании того, кто выигрывает медаль на одном из самых престижных спортивных мероприятий на планете. Для этого мы рассмотрим ритмическую гимнастику: современный новый вид спорта, недавно пришедший на Игры, и добавляющий к традиционной гимнастике элементы художественной, а также танца. Можно предположить, что основные характеристики вроде возраста, роста и веса играют только ограниченную роль, учитывая также необходимость наличия у участников гибкости, подвижности и координации. Давайте используем более сложные модели машинного обучения, чтобы узнать, насколько важны эти основные факторы на самом деле.
Необходимые компоненты
- Знакомство с моделями машинного обучения
Цели обучения
Изучив этот модуль, вы сможете:
- Обнаружение новых типов моделей: деревья принятия решений и случайные леса.
- Узнайте, как архитектура модели может повлиять на производительность.
- Практика работы с гиперпараметрами для повышения эффективности обучения.