Mašininis mokymas (angl. Machine Learning) yra dirbtinio intelekto šaka, leidžianti kompiuterių sistemoms mokytis iš duomenų, atpažinti dėsningumus ir priimti sprendimus arba daryti prognozes be aiškaus programavimo kiekvienam scenarijui. Prognozavimas yra viena iš pagrindinių mašininio mokymo taikymo sričių, apimanti ateities įvykių, tendencijų ar verčių numatymą remiantis istoriniais duomenimis.
Prognozavimo svarba ir taikymas
Prognozavimas yra gyvybiškai svarbus daugelyje sričių - nuo verslo sprendimų priėmimo iki mokslinių tyrimų. Pramonėje jis naudojamas pardavimų, atsargų, klientų elgsenos numatymui. Finansų sektoriuje - rinkos tendencijų, akcijų kainų ir rizikos vertinimui. Meteorologijoje - orų prognozėms, o medicinoje - ligų plitimo ar gydymo efektyvumo nuspėjimui.
Prognozavimo modeliai gali būti skirstomi į kelias kategorijas, priklausomai nuo numatomos išvesties tipo:
- Skaitinių verčių prognozavimas (regresija): numatomos nuolatinės skaitinės vertės, pvz., temperatūra, kainos, pardavimai.
- Kategorijų prognozavimas (klasifikacija): numatoma diskreti kategorija ar klasė, pvz., ar klientas pirks produktą (taip/ne), ar el. laiškas yra brukalas.
- Laiko eilučių prognozavimas: numatomos vertės ateityje, atsižvelgiant į laiko priklausomybę, pvz., akcijų kursai, energijos suvartojimas.
Octave kaip įrankis mašininiam mokymui
GNU Octave yra atvirojo kodo programinė įranga, skirta skaitmeniniams skaičiavimams. Ji yra ypač populiari tarp inžinierių, mokslininkų ir studentų dėl savo panašumo į MATLAB sintaksę, kas leidžia lengvai perprasti ir taikyti sudėtingus matematinius algoritmus. Nors Octave gali būti ne tokia greita kaip specializuotos bibliotekos Python ar R kalbose dideliems duomenų kiekiams, ji puikiai tinka mokymuisi, prototipų kūrimui ir smulkių bei vidutinių duomenų rinkinių analizei.
Pagrindiniai Octave privalumai mašininio mokymo kontekste:
- Paprasta sintaksė: lengva rašyti ir suprasti kodą.
- Matematinės funkcijos: gausus integruotų funkcijų rinkinys matricos operacijoms, statistikai, optimizavimui.
- Vizualizacija: galimybė kurti grafikus ir diagramas duomenų analizei bei rezultatų pateikimui.
- Atvirasis kodas: nemokamas ir plačiai prieinamas įrankis.
Mašininio mokymo prognozavimo pavyzdys su Octave
Panagrinėsime paprastą linijinės regresijos pavyzdį Octave, skirtą numatyti nuolatinę vertę, pavyzdžiui, namo kainą, atsižvelgiant į jo plotą. Linijinė regresija yra vienas pagrindinių prognozavimo algoritmų, kurio tikslas - rasti linijinę priklausomybę tarp įvesties (nepriklausomų kintamųjų) ir išvesties (priklausomo kintamojo) duomenų.
Duomenų paruošimas
Tarkime, turime duomenų rinkinį su namų plotais (kvadratiniais metrais) ir jų kainomis (tūkstančiais eurų).
% Duomenų rinkinysX = [50; 75; 100; 120; 150]; % Namo plotas kv.m.y = [100; 150; 200; 240; 300]; % Namo kaina tūkst. eurų% Pridedame stulpelį vienetų prie X matricos, skirtą laisvajam nariui (bias term)X = [ones(length(X), 1), X];
Modelio apibrėžimas ir treniravimas
Linijinės regresijos modelis atrodo taip: \(h(x) = \theta_0 + \theta_1 x\). Mūsų tikslas - rasti optimalias parametro \( \theta \) vertes, kurios minimizuotų skirtumą tarp numatomų ir tikrųjų verčių.
Octave aplinkoje galime naudoti normaliosios lygties metodą (angl. Normal Equation) parametrams rasti, kuris yra tiesioginis metodas ir nereikalauja iteracinio optimizavimo, kaip gradientinis nusileidimas.
% Normaliosios lygties sprendimastheta = pinv(X' * X) * X' * y;fprintf('Optimalūs parametrai (theta):\n');fprintf(' theta_0: %f\n', theta(1));fprintf(' theta_1: %f\n', theta(2));Čia pinv yra pseudoinversija, o X' * X yra matricos sandauga.
Prognozavimas
Radus optimalias \( \theta \) vertes, galime atlikti prognozes naujiems duomenims.
% Prognozuojame kainą naujam namui, pvz., 80 kv.m.plotas_naujas = 80;kaina_numatoma = [1, plotas_naujas] * theta;fprintf('Numatoma 80 kv.m. namo kaina: %f tūkst. eurų\n', kaina_numatoma);% Prognozavimas ir vizualizacijafigure;plot(X(:,2), y, 'rx', 'MarkerSize', 10); % Duomenų taškaihold on;plot(X(:,2), X * theta, 'b-'); % Regresijos linijaxlabel('Plotas (kv.m.)');ylabel('Kaina (tūkst. EUR)');title('Namo kainos prognozavimas naudojant linijinę regresiją');legend('Treniravimo duomenys', 'Linijinė regresija');Paaiškinimas
Šis pavyzdys demonstruoja, kaip paprastas linijinės regresijos modelis gali būti realizuotas Octave. Pirmajame žingsnyje suformuojami duomenys, prie kurių pridedamas vienetų stulpelis. Antrajame žingsnyje skaičiuojami modelio parametrai \( \theta \) naudojant normaliosios lygties sprendimą. Galiausiai, šie parametrai naudojami naujų duomenų prognozavimui ir rezultatų vizualizavimui.
Išvados ir tolimesni žingsniai
Mašininis mokymas su Octave suteikia galingą platformą prognozavimo užduotims spręsti. Nuo paprastos linijinės regresijos iki sudėtingesnių algoritmų, tokių kaip logistinė regresija, palaikomųjų vektorių mašinos (SVM) ar neuroniniai tinklai, Octave leidžia eksperimentuoti ir suprasti pagrindinius principus. Norint išplėsti žinias, rekomenduojama gilintis į:
- Duomenų išankstinio apdorojimo metodus: normalizavimas, trūkstamų duomenų apdorojimas.
- Modelio vertinimo metrikas: MSE, R², tikslumas, atšaukimas.
- Sudėtingesnius algoritmus: atsitiktinius miškus, gradientinį didinimą, neuroninius tinklus.
- Kryžminį patvirtinimą: metodus, skirtus patikrinti modelio apibendrinimo gebėjimą.
Nors Octave yra puikus startinis taškas, sudėtingesniems projektams ir dideliems duomenų rinkiniams gali prireikti tokių įrankių kaip Python su Scikit-learn, TensorFlow ar PyTorch, kurie siūlo didesnį našumą ir platesnes funkcijas.
tags: #masininis #mokymas #prognozavimui #pavyzdys #su #octave