기계 학습과 관련하여 오늘날 모든 사람들이 잘 알고있는 주제 인 것 같습니다.그러나 몇 년 전, Elizabeth가 JMP에 처음 입사했을 때, 그는 여전히이 분야를 탐구하는 데 호기심과 흥미로 가득했습니다.오늘 우리는 함께 기계 학습과 탐험의 여정을 시작할 것입니다.
이 기사의 저자는 Elizabeth Claassen이며, 원본 텍스트는 JMP 글로벌 사용자 커뮤니티 JMP 커뮤니티에 게시되어 있으며, 원본 텍스트에 관심이있는 친구도 직접 참여할 수 있습니다. 원본보기 .
2014 년 JMP에 입사했을 때 Elizabeth는 농업 실험과 하이브리드 모델링에 대한 오랜 역사를 자랑하는 학교에서 통계학 박사 학위를 받았습니다. 그녀는 작은 실험 디자인을 사용하여 합리적인 계획, 혼합 모델의 기술적 분석 및 최적화 된 출력을 통해 정보를 극대화했습니다.가장 간단한 예는 분할 영역 디자인입니다.이것은 그녀와 함께 일하는 과학자가 동물 과학, 곤충학, 식품 과학 또는 교육에서 온 것이 든간에 사실입니다.
JMP에 합류 한 직후, 큰 데이터 열이 절정에 이르렀습니다.뒤 따르는 것은 몇 년 안에 기계 학습의 등장이었습니다.기계 학습의 증가가 큰 데이터에 뒤처져 있다는 것은 놀라운 일이 아닙니다.데이터를 수집 한 후에는 어떻게해야합니까?물론, 기계 학습 도구를 사용하여 분석됩니다.
엘리자베스가 학교에서받은 공식 교육은 기계 학습 분야와 관련이 없지만 통계 개발자로 일하기 시작한 후에는 그녀가 빨리 마스터해야하는 핵심 요소였습니다.그래서, 그녀는 새로운 주제의 첫 단계를 밟았을 때, 그녀는 Wikipedia 웹 사이트에서 기계 학습에 대해 배우기 시작했습니다.
"기계 학습은 컴퓨터 시스템이 명시적인 프로그래밍이 필요없이 데이터 (예 : 특정 작업의 성능을 점차적으로 향상시키기 위해)를 배우는 통계 기술을 사용하는 학제 간 분야입니다."
믿기지가 않나요? 어떻게 컴퓨터 시스템이 명확한 프로그래밍없이 무엇인가를 "배울 수 있습니까? "아직 Skynet을 구현하지 않았습니다.엘리자베스는 생각했다.그래서 그녀는 계속 파고 들었다.
Britannica 백과 사전은 기계 학습을 다음과 같이 정의합니다. "인공 지능 (컴퓨터 과학)에서의 기계 학습은 컴퓨터 소프트웨어 자율 학습의 실현에 초점을 맞추는 분야입니다."
Elizabeth는 기계 학습에 대해 더 많이 배운 후에 소프트웨어의 자율 학습에 더 관심이있었습니다."명시 적 프로그래밍이 없다"는 것은 일단 알고리즘에 전달되면 알고리즘은 인간으로부터 나머지 지시를받지 못한다는 것을 의미합니다.
Elizabeth는 위의 정의와 그녀가 사용하는 용어의 인식을 바탕으로 기계 학습은 현재의 인공 지능의 전문 용어이며 데이터를 기반으로 의사 결정, 예측 또는 분류를하는 컴퓨터 알고리즘을 의미합니다.
감독 및 감독되지 않은 학습
JMP는 기계 학습을 구현할 수 있습니까? 대답은 '예'입니다! 기술적으로 JMP는 1989 년 첫 출시 이후 기계 학습 기능을 갖추고 있습니다.이것은 JMP가 항상 시대의 최전선에 있었던 것을 보여줍니다.다음으로, 기계 학습에 관해 말할 때 모두가 고려하는 알고리즘을 자세히 살펴 보겠습니다.
종종 기계 학습 알고리즘은 감독 및 감독되지 않은 학습과 같이 여러 유형으로 나뉩니다.
- 감독 학습의 경우 알고리즘은 예측 변수 (X 열)와 반응 변수 (Y 열)를 모두 사용합니다. 훈련 데이터는 주어진 값에 대한 예측 변수의 기대 값이 무엇인지 알고리즘에 알리는 것으로 "감독"을 달성합니다.
- 감독되지 않은 학습의 경우, 알고리즘은 예측 변수만을 사용하며, 모든 패턴은 그것들에 의해서만 결정됩니다.실제로 "진리"(반응)를 사용하지 않으면 사실 많은 사람들이 진리를 알지 못합니다.
JMP 기계 학습 알고리즘은 어떤 범주에 속합니까?
감독 학습
|
감독되지 않은 학습
|
의사 결정 트리 *
|
클러스터
|
신경망
|
자기 구성지도
|
부트 스트랩 산림 법 *
|
연관 분석
|
돌아 가기
|
단일 값 분해
|
K 가장 가까운 이웃 *
|
|
간단한 쉘 *
|
|
별표 (*)가있는 기능은 JMP Pro로 제한됩니다.
이것을 보면, 많은 사람들이 목록에있는 "복귀"에 놀랄 것입니다. 이것은 전통적인 의미에서 기계 학습이 아니라고 생각합니다.그러나 사실 그것은 감독 학습의 가장 직접적인 형태입니다. JMP 1 버전에는 X로 Y에 맞추기 회귀 함수, JMP 3 증가 클러스터 그 후에 더 많은 기계 학습 옵션이 계속해서 나타납니다. JMP 새 버전. 하나 또는 여러 개의 알고리즘에 익숙한 사람들은 그들 사이의 유사점을인지 할 수 있습니다.많은 모델이 놀라운 예측 정확도를 산출 할 수 있지만 모델의 계수를 해석하기가 어려울 수 있습니다. 경계 요점의 의미.예를 들어, 결정 트리의 노드를 추적하여 예측 결과를 도출 할 수 있지만 이러한 노드가 선택되는 곳에는 고유 한 의미가 없습니다. 우리는 모른다. 클래스 신경망 모델의 매개 변수는 다음과 같이 추정됩니다. " 현실 세계 " 그것은 무엇을 의미합니까? 클래스 신경 네트워크는 가장 예측적인 기계 학습 모델 중 하나입니다.
반대로 회귀 모델은 사용자에게 고유 한 의미를 갖는 매개 변수의 추정치를 제공합니다.계수가 양수이면이 예측 자의 값을 한 단위 씩 늘리면 반응 값 같은 수를 더한다. 부서 값의 양.이것과 갈트 슈미 엘리 의사가 말한 "해석 또는 예측"은 관련되어 있습니다.이 절충안에서 최고의 폴드 근실 한 프로그램 중 하나는 모델에 맞추기 플랫폼의 일반화 된 회귀 함수입니다.As JMP 통계 개발자 클레이 바커 말했듯이, 올가미 또는 탄성 네트 예측 성능은 향상 될 수 있으며,이 모델은 여전히 잘 설명 될 수 있습니다.
그러나 해석 가능성이 부족합니까? 어쩌면, 그렇지 않을 수도 있습니다.
- 사용자가 미래 사건에 대한 가장 정확한 예측을 달성하는 데 집중한다면 해석 가능한 모델은 필요하지 않습니다.
- 반대로, 사용자가보다 구체적인 접근법을 원할 경우 " 점수 향상 " 해석 가능한 모델을 선택할 수 있습니다.
무엇보다도 모든 모델의 핵심은 모델의 산출물을 실제로 적용 할 수 있다는 것입니다.
여전히 인간의 개입이 필요하다.
컴퓨터 알고리즘이 모든 위대한 일을 처리 할 수 있다고해도 더 발전된 문제를 다루기 위해서는 수동 분석이 여전히 필요합니다.
예 :
어떤 데이터가 분석에 포함되거나 제외되어야합니까?
- 일부 알고리즘에는 중요한 변수를 선택할 수있는 기능이 있지만 모델에서 컴퓨터에 변수를 처음 제공하지 않으면 해당 변수의 예측 가능성이 높더라도 컴퓨터에서 자동으로 변수를 선택하지 않습니다.
- 수익이 감소하는 지점은 어디입니까?
모델이 너무 복잡하여 소요 시간 내에 실행되지 않으면 사용하지 못합니다.어쩌면 덜 복잡한 모델이 거의 좋은 결과를 제공 할 수 있고 빠르게 실행될 수 있습니다.잘 알려진 예가 Netflix Awards의 우승자입니다.이기는 모델의 성능은 예상 한 것보다 거의 나을 수 있지만 즉각적인 환경에서는 실행할 수 없습니다.Netflix는 사용자에게 다음에 볼 항목을 알려야하기 때문에 모델에 필요한 데이터 및 처리 속도가 빨라 시간에이를 수행 할 수 없습니다.
- 모델에 고유 한 편향이 있습니까?
분명히, 컴퓨터 알고리즘은 인간이 가지고있는 편견이 없지만 알고리즘은 편향의 특성과 높은 상관 관계가있는 모델을 생성 할 수 있습니다.예를 들어, 모기지의 경우, 대출 결정을 내릴 때 불법 인 특성이 있습니다.그러나 불법적 요인과 관련성이 높은 몇 가지 합법적 인 요소가 있습니다.예를 들어 인종이 데이터의 일부가 아니더라도 알고리즘은 특정 인종을 거의 완전히 거부하는 모델을 생성 할 수 있으며이 모델은 합법적 인 결과를 초래할 수 있습니다.
- 모델을 언제 업데이트해야합니까?
모델링의 목적은 우리가 조치를 취할 수 있도록 약간의 결과물을 생성하는 것이므로 일단 모델이 실행되면 모델을 업데이트해야합니다.구현 변경은 향후 모델 입력에 영향을주기 때문에 이러한 업데이트가 필요합니다.이전 모델을 계속 사용하면 원래 데이터의 경계를 초과하는 외삽의 위험이 있습니다.따라서 인간 만이 모델을 업데이트해야하는 시점에 대한 답을 얻을 수 있습니다.
그렇기 때문에 기계 학습의 인기에도 불구하고 정확한 모델이 우리 업무에보다 효과적으로 기여할 수 있도록 모델을보다 잘 만들고 모델을 업데이트하기 위해서는 인간의 개입이 필요합니다.
다음 기사에서는 두 가지 기계 학습 알고리즘을 추가로 소개 할 것입니다. 가장 가까운 이웃과 단순한 쉘, 일상 생활에서 흥미로운 데이터를 분석하기 위해이 두 가지 방법을 사용하는 방법을 보여주는 실용적인 사례를 소개합니다.
