เครื่องการจำแนกประเภท LV แบบคงที่

เครื่องจักรการจำแนกแบบคงที่หรือเป็นตัวแยกประเภทคงที่เป็นรูปแบบการเรียนรู้ของเครื่องที่ออกแบบมาเพื่อกำหนดหมวดหมู่หรือฉลากที่กำหนดไว้ล่วงหน้าให้กับจุดข้อมูลอินพุตโดยไม่คำนึงถึงข้อมูลทางโลกหรือลำดับใด ๆ โดยทั่วไปแล้วเครื่องประเภทนี้จะใช้ในสถานการณ์การเรียนรู้ภายใต้การดูแลซึ่งข้อมูลการฝึกอบรมประกอบด้วยคุณสมบัติการป้อนข้อมูลพร้อมกับฉลากหรือคลาสเอาต์พุตที่สอดคล้องกัน

ลักษณะสำคัญของเครื่องการจำแนกแบบคงที่ :

1. หมวดหมู่คงที่ : ทำงานภายในชุดหมวดหมู่หรือคลาสที่กำหนดไว้ล่วงหน้า โมเดลได้รับการฝึกฝนให้รู้จักรูปแบบในข้อมูลอินพุตที่สอดคล้องกับหนึ่งในคลาสเหล่านี้

2. อินพุตความเป็นอิสระ : แตกต่างจากตัวจําแนกซีรีย์ตามลำดับหรือตัวจําแนกแบบคงที่จะปฏิบัติต่อจุดข้อมูลอินพุตแต่ละจุดอย่างอิสระโดยไม่พิจารณาบริบททางโลกหรือลำดับของอินพุตก่อนหน้านี้

3. ความสามารถในการวางนัยทั่วไป : เมื่อได้รับการฝึกฝนแล้วมันสามารถสรุปรูปแบบการเรียนรู้เพื่อจำแนกจุดข้อมูลใหม่ที่มองไม่เห็นในหมวดหมู่ที่กำหนดไว้ล่วงหน้า

4. การบังคับใช้แบบกว้าง : ตัวแยกประเภทคงที่มีการใช้กันอย่างแพร่หลายในโดเมนต่าง ๆ รวมถึงการจำแนกภาพการจัดหมวดหมู่ข้อความการวิเคราะห์ความเชื่อมั่นการตรวจจับสแปมและอื่น ๆ

5. ความหลากหลายของอัลกอริทึม : มีอัลกอริทึมต่าง ๆ ที่สามารถใช้ในการสร้างเครื่องการจำแนกประเภทคงที่เช่นการถดถอยโลจิสติกต้นไม้ตัดสินใจป่าสุ่ม, สนับสนุนเครื่องเวกเตอร์ (SVM) และเครือข่ายประสาทลึก (DNNs) จุดอ่อน

หลักการทำงาน :

โดยทั่วไปแล้วเครื่องจักรการจำแนกแบบคงที่ตามขั้นตอนเหล่านี้:

• ขั้นตอนการฝึกอบรม :
  • โมเดลนั้นมาพร้อมกับชุดข้อมูลที่มีป้ายกำกับซึ่งแต่ละจุดข้อมูล (หรืออินสแตนซ์) เชื่อมโยงกับฉลากคลาส
  • อัลกอริทึมเรียนรู้จากชุดข้อมูลนี้โดยการระบุรูปแบบและความสัมพันธ์ระหว่างคุณลักษณะอินพุตและฉลากคลาสที่สอดคล้องกัน
  • กระบวนการเรียนรู้นี้เกี่ยวข้องกับการปรับพารามิเตอร์ภายในของโมเดล (น้ำหนักและอคติ) เพื่อลดฟังก์ชั่นการสูญเสียที่วัดความแตกต่างระหว่างฉลากที่คาดการณ์และฉลากจริง
• ขั้นตอนการอนุมานหรือการทำนาย :
  • เมื่อได้รับการฝึกอบรมแล้วโมเดลสามารถรับจุดข้อมูลใหม่ที่ไม่มีป้ายกำกับเป็นอินพุต
  • มันประมวลผลอินพุตเหล่านี้ผ่านรูปแบบที่เรียนรู้เพื่อสร้างการทำนายสำหรับฉลากคลาสของอินพุตแต่ละรายการ
  • ฉลากที่คาดการณ์จะถูกเปรียบเทียบกับจริง (ถ้าทราบ) หรือใช้สำหรับการตัดสินใจหรือการวิเคราะห์เพิ่มเติม

ข้อดี :

• ความเรียบง่าย: ตัวแยกประเภทคงที่สามารถนำไปใช้และเข้าใจได้อย่างตรงไปตรงมา
• ประสิทธิภาพ: สำหรับงานที่บริบททางโลกไม่สำคัญตัวแยกประเภทคงที่สามารถให้การจำแนกประเภทที่รวดเร็วและแม่นยำ
• ความเก่งกาจ: พวกเขาสามารถนำไปใช้กับปัญหาและโดเมนที่หลากหลาย