Opetusjoukko
Ohjatun tai ohjaamattoman oppimisen yhteydessä harjoitusaineisto esitetään yleensä taulukkomuodossa.
Esimerkkinä on diabetes-aineisto, jota käytetään ennustamaan, onko henkilöllä diabetes. Se sisältää 768 naisen tietueet, joissa on parametreina esimerkiksi ikä, painoindeksi ja verenpaine. Näitä parametreja kutsutaan piirteiksi.
Aineistossa on myös 'Outcome'-sarake, joka ilmaisee, onko henkilöllä diabetes. Tämä on kohdemuuttuja.
Jokainen taulun rivi on instanssi (tunnetaan myös nimillä datapiste tai otos), joka edustaa yhden henkilön tietoja.
Taulukossa (harjoitusaineistossa) on mukana kohdesarake, mikä tarkoittaa, että aineisto on merkitty.
Tavoitteena on kouluttaa ML-malli tällä harjoitusaineistolla, ja kun se on koulutettu, se voi ennustaa muille henkilöille (uusille instansseille) diabeteksen esiintymistä pelkkien piirteiden perusteella.
Tämä harjoitusaineisto on esimerkki vinoutuneesta aineistosta, sillä se sisältää ainoastaan tietoja vähintään 21-vuotiaista naisista. Tämän vuoksi malli voi antaa epätarkempia ennusteita miehille tai alle 21-vuotiaille naisille, koska sitä ei ole koulutettu näillä ryhmillä.
Koodattaessa ominaisuussarakkeet määritellään yleensä X:ksi ja kohdesarakkeet määritellään y:ksi.
Uusien havaintojen ominaisuudet määritellään nimellä X_new.
Kiitos palautteestasi!
Kysy tekoälyä
Kysy tekoälyä
Kysy mitä tahansa tai kokeile jotakin ehdotetuista kysymyksistä aloittaaksesi keskustelumme
What is the difference between features and the target variable?
Can you explain what X, y, and X_new represent in machine learning?
How does the model use X_new to make predictions?
Awesome!
Completion rate improved to 3.13Opetusjoukko
Pyyhkäise näyttääksesi valikon
Ohjatun tai ohjaamattoman oppimisen yhteydessä harjoitusaineisto esitetään yleensä taulukkomuodossa.
Esimerkkinä on diabetes-aineisto, jota käytetään ennustamaan, onko henkilöllä diabetes. Se sisältää 768 naisen tietueet, joissa on parametreina esimerkiksi ikä, painoindeksi ja verenpaine. Näitä parametreja kutsutaan piirteiksi.
Aineistossa on myös 'Outcome'-sarake, joka ilmaisee, onko henkilöllä diabetes. Tämä on kohdemuuttuja.
Jokainen taulun rivi on instanssi (tunnetaan myös nimillä datapiste tai otos), joka edustaa yhden henkilön tietoja.
Taulukossa (harjoitusaineistossa) on mukana kohdesarake, mikä tarkoittaa, että aineisto on merkitty.
Tavoitteena on kouluttaa ML-malli tällä harjoitusaineistolla, ja kun se on koulutettu, se voi ennustaa muille henkilöille (uusille instansseille) diabeteksen esiintymistä pelkkien piirteiden perusteella.
Tämä harjoitusaineisto on esimerkki vinoutuneesta aineistosta, sillä se sisältää ainoastaan tietoja vähintään 21-vuotiaista naisista. Tämän vuoksi malli voi antaa epätarkempia ennusteita miehille tai alle 21-vuotiaille naisille, koska sitä ei ole koulutettu näillä ryhmillä.
Koodattaessa ominaisuussarakkeet määritellään yleensä X:ksi ja kohdesarakkeet määritellään y:ksi.
Uusien havaintojen ominaisuudet määritellään nimellä X_new.
Kiitos palautteestasi!
