Machine Learning

Machine Learning – classificazione e regressione – 2

L’attività di Machine Learning, come abbiamo capito dal primo capitolo, si divide in tre tipi di apprendimento. Esistono due attività nell’apprendimento con supervisione, classificazione e regressione, che permettono una più performante gestione degli algoritmi.

Ma vediamole singolarmente per approfondire nel dettaglio.

Classificazione per la predizione delle etichette delle classi

La classificazione ha l’obbiettivo di prevedere le etichette di categoria delle classi per le nuove istanze sulla base delle osservazioni compiute nel passato. Questo tipo di etichette sono valori discreti, che possono essere considerati come appartenenti ad un gruppo delle istanze.

Pensiamo, per capire meglio, al rilevamento e alla classificazione delle email di SPAM in arrivo su una casella di posta. Questo compito di classificazione binaria (SPAM/NO SPAM), impara una serie di regole con lo scopo di differenziare fra le due possibili scelte.

Questo però non significa che il compito di classificazione sia solo ed esclusivamente di natura binaria, bensì esiste un tipo di classificazione detta multiclasse la quale può considerare ogni etichetta della classe che sia presente in un dataset di apprendimento di una nuova istanza che non sia dotata di etichetta. Capiamo meglio attraverso un semplice esempio:

In un dataset di lettere dell’alfabeto scritte a mano, costituito da più esempi di scrittura, nel caso un utente fornisca un nuovo carattere al sistema, il modello predittivo sarà in grado di riconoscere quel carattere con una certa precisione. Il sistema però non sarà in grado di riconoscere un’eventuale numero, compreso tra 0 e 9, perché non facenti parte del dataset.

classificazione e regressione

Regressione per la previsione di risultati continui

Con analisi di regressione indichiamo la previsione di risultati continui, nella quale abbiamo un certo di numero di variabili predittive (descrittive) e una variabile target continua (risultato). Lo scopo è cercare una relazione tra queste variabili in modo da prevedere un risultato.

classificazione e regressione

L’immagine descrive in maniera esaustiva il compito svolto dalla regressione lineare. Data una variabile predittiva x e una variabile y di risposta, la variabile target (risultato) sarà la linea retta che passa attraverso i dati.

Il risultato è dato dal punto di intersezione e la pendenza.

Leggi articolo   scikit-learn e i classificatori di Machine Learning

Condividi il post

Condividi su facebook
Condividi su google
Condividi su twitter
Condividi su email
Condividi su whatsapp