Сравнение метрик качества алгоритмов машинного обучения для задач классификации

ВВЕДЕНИЕ 2
1 Машинное обучение 4
2 Классическое обучение 7
2.1 Обучение без учителя 7
2.2 Обучение с учителем 9
3 Метрики качества 13
4 Исследование метрик качества 16
4.1 Набор данных 16
4.2 Описание библиотек 16
4.3 Подготовка данных и обучение 17
4.4 Прогнозирование и анализ результатов 22
ЗАКЛЮЧЕНИЕ 27
СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ 28
Приложение А 29
Приложение Б 36

Весь текст будет доступен после покупки

В современном информационном пространстве машинное обучение становится все более необходимым для анализа и обработки данных. Задачи классификации, в частности, играют ключевую роль во многих областях, включая медицину, финансы, маркетинг и многое другое. Существует множество методов машинного обучения, применяемых для решения задач классификации.
Сравнение показателей качества алгоритмов машинного обучения для задач классификации представляет собой всю область исследования, которая позволяет определить, какой метод подходит для конкретной задачи, и какие факторы влияют на эффективность алгоритмов. Правильный выбор метрик и их интерпретация имеют огромное значение, поскольку они влияют на принятие решений в бизнесе, научных исследованиях и других областях.
В курсовой работе будут рассмотрены различные метрики качества алгоритмов машинного обучения, такие как точность, полнота, F-мера и многие другие. Также будет произведен анализ, как эти метрики могут применяться к разным типам задач классификации, таким как бинарная и многоклассовая классификация. Будет произведен четкий обзор этих показателей, их преимуществ и недостатков.
На основании результатов анализа и сравнения метрик качества алгоритмов машинного обучения будет сделан вывод о том, какие из них лучше подходят для конкретных задач, и какие факторы могут влиять на выбор метрик. Это необходимо для более осознанного принятия решений при выборе и настройке алгоритмов классификации, что, в свою очередь, обеспечивает повышение качества решений и результатов в области машинного обучения.

Весь текст будет доступен после покупки

1 Машинное обучение
Машинное обучение – это совокупность методов искусственного интеллекта, практическое применение которых заключается не в решении поставленной задачи напрямую, а в обучении за счет применения решений множества сходных задач.
Основной целью машинного обучения является предсказание результата того или иного события по входным данным. Точность результата и простота вычислений прямо пропорционально связаны с количеством и разнообразием входных данных. В основе машинного обучения лежат три основных аспекта.
Первым аспектом являются данные. Данными является любая или конкретная информация об объекте, необходимая для формирования предсказания признаков или действий другого объекта, о котором таковых данных не имеется. Сбор данных может осуществляться вручную человеком, что увеличивает длительность сбора и уменьшает размер информации, но повышает качество выборки. Если же сбор данных будет осуществляться автоматически, то выборка будет иметь большой объем и сформируется за небольшой промежуток времени, однако качество такой выборки остается под вопросом. Некоторые компании пользуются альтернативным способом сбора данных. Например, Google, когда высвечивается ReCaptcha, требующая найти все велосипеды на фотографии. [1]
Сбор данных является одной из основных проблем машинного обучения и собрать качественный датасет для решения полного спектра задач из какой-либо конкретной области достаточно непросто. Иногда крупные компании раскрывают используемые алгоритмы, но датасеты – крайне редко.
Вторым аспектом машинного обучения являются признаки. Также их именуют как свойства, характеристики и т. д. Признак определяет конкретную отличительную черту объекта, которая будет использоваться в дальнейшем анализе и сравнении с другими объектами. Чем больше признаков включает в себя модель машинного обучения, тем медленнее и не эффективнее она работает. Нередко автоматический отбор правильных характеристик занимает даже больше времени, чем все остальное обучение. Однако, если программист решит сам выбрать субъективно правильные характеристики для решения задачи, то на это вероятно уйдет меньше времени, но такой подход может привести к колоссальным неточностям.
Последний аспект – алгоритм. Как правило, любую задачу можно решить разными способами и от выбора метода решения зависят точность, скорость работы и размер готовой модели. Зачастую успешное решение поставленной задачи зависит скорее от входных данных нежели от алгоритма, потому что если для решения задачи используются некачественные или неподходящие данные, то может не найтись подходящего алгоритма. [2]
Машинное обучение является одним из важнейших разделов искусственного интеллекта, а одним из самых популярных видов машинного обучения являются нейросети. Вокруг нейросетей строят очень много фальсификационных теорий, однако возможности интеллекта машин ограничиваются предсказыванием, запоминанием, воспроизведением и выбором лучшего варианта. Машины не могут создавать новое, резко поумнеть и даже выйти за рамки задачи.
Машинное обучение можно разделить на 4 больших раздела: классическое обучение, обучение с подкреплением, ансамблевые методы, нейросети и глубокое обучение.
Классическое обучение – это набор техник и методов анализа данных, позволяющих обучать аналитические системы с помощью решения повторяющихся типовых задач.
Обучение с подкреплением – это метод машинного обучения, в котором система обучается методом проб и ошибок. Идея заключается в том, что машина взаимодействует со средой, параллельно обучаясь, и получает вознаграждение за выполнение действий.
В обучении с подкреплением используется способ положительной награды за правильное действие и отрицательной за неправильное. Таким образом метод присваивает положительные значения желаемым действиям, и отрицательные нежелательным. Такой подход позволяет запрограммировать машину на поиск долгосрочного и максимально общего вознаграждения для достижения оптимального решения. Долгосрочные цели не дают машине возможности останавливать на достигнутом и со временем система учится избегать негативных действий и совершает только позитивные.

Весь текст будет доступен после покупки

1. Мюллер, Гвидо: Введение в машинное обучение с помощью Python. Руководство для специалистов по работе с данными. Изд.: Вильямс, 2017 г. 480 с.
2. Коэльо, Ричарт: Построение систем машинного обучения на языке Python. Изд.: ДМК-Пресс, 2019 г. 302 с.
3. Баюк, Березин, Иванюк: Практическое примение методов кластеризации, классификации и аппроксимации. Изд.: Прометей, 2020 г. 448 с.
4. Вьюгин В.В. Математические основы машинного обучения и прогнозирования. Изд.: МЦНМО. 2014 г. 304 с.
5. В. Перепелица, И. Козин, Э. Терещенко "Задачи классификации и формирование знаний". Изд.: LAP Lambert Academic Publishing. 2012 г. 204 с.
6. Анкур Пател: Прикладное машинное обучение без учителя с использованием Python. Изд.: Диалектика, 2020 г. 432 с.
7. Бурков А. Машинное обучение без лишних слов. Изд.: Питер. 2020 г. 192 с.
8. Книга: Уатт Дж. "Машинное обучение: основы, алгоритмы и практика применения" Изд.: BHV. 2022 г. 384 с.
9. Дэвидсон-Пайлон К. Вероятностное программирование на Python: байесовский вывод и алгоритмы. Изд.: Питер. 2019 г. 256 с.

Весь текст будет доступен после покупки