Introduktion
Klassificeringsmodellers utdata är kategoriska, vilket innebär att de kan användas för att märka indata eller beslutsfattande. Till exempel använder en självkörande bil klassificering för att avgöra om man ska svänga vänster eller höger vid en förgrening på vägen. En klassificeringsmodell skiljer sig från klassiska regressionsmodeller där utdata är kontinuerliga, till exempel storleken på en sko eller tågets hastighet. Klassificeringsmodeller är olika i hur de fungerar. För att komma igång ska vi fokusera på logistisk regression, vilket är en enklare och populär typ av modell som används i stor utsträckning inom många delar av vetenskap och industri.
Scenario: Förutsäga laviner med maskininlärning
I den här modulen använder vi följande exempelscenario för att förklara begrepp som rör klassificering. Det här scenariot är utformat för att ge ett exempel på hur du kan uppfylla dessa begrepp i din egen programmering.
Din välgörenhetsorganisation ansvarar för lavinräddningsoperationer på vandringsleder över nordvästra USA. Visst, det säkraste alternativet skulle vara att permanent stänga alla spår under skid- och vandringssäsongen men det skulle innebära att inga idrottare skulle få njuta av det stora utomhus! Målet är att skapa en modell som kan förutsäga om en enskild dag sannolikt kommer att leda till en lavin. Genom att använda den förutsägelsen kan du sedan stänga spåret när risken är hög. Tänk på när du gör förutsägelser: Att förutsäga laviner som inte inträffar kan skada den lokala turismen samtidigt som det inte går att förutsäga laviner som inträffar kan leda till förlust av liv. Det är uppenbart att man måste hitta en balans.
Försiktighet
Data för dessa övningar är fabricerade och är endast i utbildningssyfte. För de ivriga vandrare och skidåkare där ute: Maskininlärning kan användas för lavinförutsägelse men använd inte dessa data eller din tränade modell för något annat än att lära sig om maskininlärning.
Förutsättningar
- Kunskaper om maskininlärningsmodeller
Utbildningsmål
I den här modulen ska du:
- Upptäck hur klassificering skiljer sig från klassisk regression
- Skapa modeller som kan utföra klassificeringsuppgifter
- Utforska hur du utvärderar och förbättrar klassificeringsmodeller