Differenza tra parametri, caratteristiche e classe in Machine Learning

Question

Sono un principiante nell'apprendimento automatico e nell'elaborazione del linguaggio naturale.

Sono sempre confuso tra quali sono questi tre termini?

Dalla mia comprensione:

classe: le varie categorie nostra produzione modello. Dato un nome di persona identificare se lui/lei è maschio o femmina?

Diciamo che sto usando il classificatore Naive Bayes.

Quali sarebbero le mie caratteristiche e parametri?

Inoltre, quali sono alcuni degli alias delle parole sopra che sono utilizzate in modo intercambiabile.

Grazie

Answer 1

Usiamo l'esempio di classificare il sesso di una persona. La tua comprensione della lezione è corretta! Data un'osservazione di input, il nostro classificatore Naive Bayes dovrebbe produrre una categoria. La classe è quella categoria.

: caratteristiche in un classificatore Naive Bayes o qualsiasi algoritmo di classificazione ML generale, sono i punti dati che scegliamo per definire il nostro input. Per l'esempio di una persona, non è possibile inserire tutti i punti dati su una persona; al contrario, selezioniamo alcune funzioni per definire una persona (ad esempio "Altezza", "Peso" e "Dimensione del piede"). In particolare, in un Naive Bayes Classifier, l'ipotesi chiave che facciamo è che queste funzionalità siano indipendenti (non si influenzano a vicenda): l'altezza di una persona non influisce sul peso non influenza la dimensione del piede. Questa assunzione può essere o non essere vera, ma per un Naive Bayes, assumiamo che sia vero. Nel caso particolare del tuo esempio in cui l'input è solo il nome, le caratteristiche potrebbero essere la frequenza di lettere, il numero di vocali, la lunghezza del nome o il suffisso/prefissi.

Parametri: I parametri in Naive Bayes sono le stime della vera distribuzione di qualsiasi cosa stiamo cercando di classificare. Ad esempio, potremmo dire che circa il 50% delle persone è di sesso maschile, e la distribuzione dell'altezza maschile è una distribuzione gaussiana con media 5 '7 "e deviazione standard 3". I parametri sarebbero la stima del 50%, la stima media di 5 '7 "e la stima di deviazione standard di 3".

Alias ​​: le funzionalità sono anche denominate attributi. Non sono a conoscenza di sostituzioni comuni per "parametri".

Spero sia stato utile!

Answer 2

@txizzle ha spiegato bene il caso di Naive Bayes. In un senso più generale:

Classe: La categoria di uscita dei dati. Puoi anche chiamare queste categorie. Le etichette dei tuoi dati rimandano a una delle classi (se si tratta di un problema di classificazione, ovviamente).

Caratteristiche: Le caratteristiche che definiscono il tuo problema. Questi sono anche chiamati attributi.

Parametri: Le variabili che l'algoritmo sta cercando di ottimizzare per creare un modello accurato.

Ad esempio, diciamo che stai cercando di decidere se ammettere uno studente a scuola GARD o meno in base a vari fattori come il suo GPA undergrad, i punteggi dei test, i punteggi su raccomandazioni, progetti ecc. In questo caso , i fattori sopra menzionati sono le tue caratteristiche/attributi, sia che lo studente sia ammesso o meno diventi le tue 2 classi, sia i numeri che decidono come queste caratteristiche si combinano per far diventare i tuoi risultati i tuoi parametri. Ciò che i parametri effettivamente rappresentano dipende dal tuo algoritmo. Per una rete neurale, sono i pesi sui collegamenti sinaptici. Allo stesso modo, per un problema di regressione, i parametri sono i coefficienti delle caratteristiche quando sono combinati.

Answer 3

prendere una semplice classificazione lineare problem

y = {0 se 5x-3> = 0 altrimenti 1}

qui y è di classe, x è caratteristica, 5,3 sono parametri.