Несколько полезных концептов, которые нужно изучить начинающему и не очень специалисту по машинному обучению и нейронным сетям.
Функции Precision и Recall
Предположим, вы пытаетесь что-то вспомнить, например, сколько синих зонтиков вы видели в своей жизни. Recall определяет, сколько раз вы смогли запомнить эту ситуацию. Например, вы решили, что видели такие зонтики 10 раз (а на самом деле всего 8, остальные 2 случая вы перепутали), тогда, получается, что вы вспомнили про все ситуации, которые с вами случались, и recall равен 100%.
Идём дальше. Precision же помогает определить, сколько ситуаций вы определили правильно. В странном примере выше из 10 воспоминаний только 8 были правильными. Поэтому ваша точность составляет около 80%.
Итак, что важнее? Ну, это зависит от целей. Если вы используете технологии машинного обучения для того, чтобы идентифицировать рак по фотографиям родинок, вполне разумно как можно меньше говорить пациентам о том, что у них рак (потому что вероятность ошибки довольно высока).
Дело в том, что эти две функции не могут работать одновременно, должен быть компромисс: либо всё будет крайне радужно, либо обманчиво. Звучит довольно сложно, но при решении конкретной задачи определить, что использовать, будет проще.
Recognition и Detection
Применение машинного обучения позволяет например, распознавать (detection) лица на фотографиях или обнаруживать (recognition) логотипы брендов. Но в чем разница между этими двумя функциями?
Объясним на примерах. Face Recognition − модель машинного обучения распознает человека и сообщает его имя. Face Detection − модель обозначает границы лица, таким образом говоря, где именно на изображении находится лицо (но не имя человека).
Image Recognition − на входе само изображение, а на выходе − определённые характеристики в виде хештегов. Например, #туман или #пейзаж. Object Detection − модель получает изображение и определяет область, в которой расположен объект.
Классификация
Многие из вещей, реализованных с помощью машинного обучения, на самом деле являются классификаторами. Например, является ли статья уткой, лист дуба − листом клёна и так далее.
Вы обучаете модели машинного обучения так, чтобы входные данные определялись в какой-то класс. Опять же, фотография может быть определена в класс «Природа» или «Пейзаж». Чтобы это нормально работало, нужно соблюдать некоторые правила:
- Между количеством изображений должен быть баланс. Если у вас 50 фотографий кошек и 100 фотографий собак, то модель будет обучена неверно и станет более предвзятой по отношению к классу с большим количеством изображений-примеров.
- Модель не будет искать ошибки в ваших примерах, поэтому сделайте так, чтобы фотографии кошек лежали в отдельной папке, а не смешались с другими.
Deep Learning
Глубокое обучение − звучит потрясающе, не так ли? Большинство моделей глубокого обучения основаны на искусственных нейронных сетях. Нейронная сеть является слоем на слоях узлов, которые каким-то образом соединяются друг с другом. Когда у вас более 1 слоя между слоями ввода и вывода, есть глубокая сеть! Когда вы тренируете сеть, она сама определяет, как организовать себя, чтобы распознавать лица (например) и критерии тоже придумывает сама.
Но это ещё не все. Выполнение подобных операций нагружает графические процессоры. Это значит, что там где можно без этого обойтись, лучше не тратить лишние ресурсы, а найти более дешевый в плане реализации способ.
Понравилась статья о концептах, необходимых специалисту по машинному обучению? Похожие материалы:
Источник: Что стоит знать специалисту по машинному обучению on Towardscience
Комментарии