L'apprendimento supervisionato

L'apprendimento supervisionato ( supervised learning ) è un tipo di apprendimento automatico delle macchine. E' una delle tecniche di machine learning.

Perché si chiama supervisionato? Per supervisione si intende la presenza delle soluzioni ( etichette ) nell'insieme di dati di addestramento. Una persona ( supervisore ) fornisce alla macchina degli esempi pratici alla macchina. In ogni esempio sono indicate le variabili di input (x) e il risultato corretto (y). La macchina impara dagli esempi ed elabora un modello predittivo.
una tabella degli esempi ( dataset )

Un esempio pratico

Prendo un campione di email e aggiungo su ciascuna un'etichetta ( "spam" o "no spam" ).

La macchina elabora i miei esempi per stimare una regola di riconoscimento generale detta modello.

un esempio pratico di machine learning

Una volta individuato il modello, la macchina lo usa per classificare tutte le email in entrata in spam e no spam.

In questo modo ho creato un semplice filtro antispam intelligente.

Questo algoritmo è detto algoritmo di classificazione.

Come funziona l'apprendimento supervisionato

Nell'apprendimento supervisionato la macchina deve stimare una funzione f(x) incognita che collega le variabili di input x a una variabile di output y.

la funzione incognita

La macchina non conosce la funzione f(x).

Il suo scopo è stipare una funzione ipotesi h(x) in grado di approssimare la f(x).

la funzione ipotesi

Per farlo analizza un insieme di dati detto training set fornito dal supervisore.

Un training set è un insieme di addestramento composto da un insieme di coppie (x, y).

un esempio di insieme di addestramento

Nota. Ogni riga della tabella è un esempio. Dove Xn può essere una variabile di input o un vettore composto da più variabili di input, mentre y è il risultato finale. Le variabili non devono essere necessariamente numeriche.

A partire da questi dati la macchina elabora la funzione ipotesi h(x).

Come capire se la funzione ipotesi è corretta?

La macchina deve valutare l'accuratezza della funzione ipotesi h(x), se approssima o meno la funzione f(x). Tuttavia non conosce la funzione f(x).

Per capirlo utilizza un altro insieme di dati, detto test set, fornito sempre dal supervisore.

differenza tra training set e test set

Nota. Sia il training set che il test set sono forniti dal supervisore umano. Tuttavia, i due insiemi sono composti da esempi diversi. Quindi, è opportuno che siano preparati da supervisori diversi e non siano sempre gli stessi.

A questo punto la macchina risponde agli Nt esempi del test set.

Poi confronta ogni sua risposta R con la risposta corretta indicata dagli esperti (Y) nel test set.

il funzionamento del test set

Le risposte coincidente ( R=Y ) incrementano il numero delle risposte corrette Rc della macchina.

Se la percentuale di risposte corrette Rc/Nt della macchina è soddisfacente, la funzione ipotesi h(x) supera l'esame e viene accolta.

la misurazione della performance della macchina

In caso contrario l'apprendimento supervisionato riparte con l'analisi di un ulteriore training set.

E il ciclo ricomincia da capo.

Tipi di apprendimento supervisionato

Le principali categorie dell'apprendimento supervisionato sono:

  • La classificazione. La macchina viene addestrata alla classificazione dal supervisore tramite l'aggiunta di etichette sui dati in cui giudica il risultato. Ogni etichetta è una classe discreta che identifica il risultato atteso ( es. spam o no spam ) oppure un giudizio di valore.
  • La regressione lineare. Nella regressione lineare il risultato ( output ) è un valore continuo. Alla macchina spetta il compito di trovare una relazione tra i valori di input ( valori descrittivi ) e di output.



Per scrivere un commento

knowledge base

Machine Learning (ML)