模型训练

作者: 由你创阅读量：810

在商业环境中，新模型的诞生几乎总是源于需要解决方案的问题，例如做出更明智的决策、自动化程序或在大量数据中寻找模式。

一旦确定了该问题的解决方案，就会将其转化为业务目标，例如预测库存短缺或确定银行客户的信用额度。然后可以将其转化为要使用 ML/AI 模型解决的技术问题。

根据业务问题的类型和可用数据，确定最适合该问题的方法。有各种类型的模型训练学习方法，包括：

监督学习：当您知道模型需要学习什么时使用，通常用于预测、回归或分类。您将算法暴露给训练数据，让模型分析输出并调整参数，直到达到预期目标。
无监督学习：模型可以自由探索数据并识别变量之间的模式。这对于根据统计属性对非结构化数据进行分组非常有用。因为它不需要培训，所以这是一个更快的过程。
强化学习：当模型需要与环境交互时，与 AI 或神经网络一起使用。当模型采取所需的行动时，它的行为会通过奖励得到加强。
回归：用于训练监督模型。它用于使用先前的数据集来预测或解释数值，例如根据历史经济数据预测利率的变化。
分类：用于在监督学习中预测或解释类值。这通常用于电子商务，例如预测客户购买或对广告的响应。
聚类：与无监督开发一起使用，这些模型根据相似性或共享属性对数据进行分组。在商业中，这些可用于细分消费者市场。社交媒体和视频平台可以使用聚类来推荐新内容。
决策树：使用算法通过回答有关对象属性的问题来对对象进行分类。根据答案，例如“是”或“否”，模型会继续处理另一个问题，然后再处理另一个问题。这些模型可用于预测定价和客户服务机器人。
深度学习：旨在复制人脑的结构。这也称为神经网络，其中数百万个连接的神经元创建了一个复杂的结构，可以多次处理和重新处理数据以得出答案。