Словарь ИИ
Что такое обучение с учителем
Коротко
Обучение с учителем (supervised learning) это способ научить модель на примерах, где к каждому входу заранее приписан правильный ответ.
Основы ИИ · supervised learning
Михаил МозгПроверено: 1 минута чтения
Ребенку
Представь стопку карточек с животными. На обороте каждой написано имя: кошка, лиса, енот. Ты смотришь на рисунок, угадываешь, переворачиваешь карточку и проверяешь себя. После сотни карточек ты узнаешь енота даже на новой картинке. Компьютер учат так же: дают много примеров, и к каждому уже приписан верный ответ. Тот, кто подписал карточки, и есть учитель.
Простыми словами
Модели дают таблицу примеров, где есть и вопрос, и ответ. Скажем, тысячи писем, и про каждое известно, спам это или нет. Модель угадывает ответ, сверяет его с пометкой и подкручивает свои настройки, чтобы ошибаться реже. Так повторяется много раз. Потом ей приносят новое письмо без пометки, и она сама решает, в какую папку его положить. Если ответ это категория (спам или нет), задачу называют классификацией. Если ответ это число, например цена квартиры или срок доставки, задачу называют регрессией.
Для бизнеса
Большая часть прикладного ИИ в компаниях устроена по этой схеме: прогноз оттока клиентов, скоринг заявок, вероятность закрытия сделки, распределение обращений по отделам. Главная статья расходов здесь не сама модель, а разметка: кто-то должен проставить верные ответы на тысячах примеров. Часто они уже лежат в CRM и 1С, например статус сделки или факт возврата товара. Риски: модель повторит старые ошибки и перекосы сотрудников, а история со временем устаревает. До запуска проверьте, сколько у вас размеченной истории и насколько ей можно верить. Где такая модель окупится, видно из разбора процессов в карте ИИ-решений.
Для специалиста
Обучение с учителем (supervised learning) строит функцию, которая по признакам x предсказывает целевую переменную y, на обучающей выборке (training set) из известных пар. Алгоритм минимизирует функцию потерь (loss function): кросс-энтропию для классификации, среднеквадратичную ошибку для регрессии. Качество оценивают на отложенной тестовой выборке, потому что цель не запомнить примеры, а обобщить (generalization) закономерность на новые. Основные семейства собраны в руководстве scikit-learn: линейные модели, метод опорных векторов (SVM), деревья решений, ансамбли (случайный лес, градиентный бустинг), ближайшие соседи, наивный Байес, многослойный перцептрон. Там же описано частичное обучение (semi-supervised learning), когда размечена только часть данных. Теорию излагает учебник Hastie, Tibshirani, Friedman «The Elements of Statistical Learning», второе издание 2009 года. Типичные проблемы: переобучение, утечка целевой переменной в признаки, сдвиг распределения после запуска.
Пример
Интернет-магазин берет историю заказов за два года, где про каждый известно, вернул покупатель товар или нет. Модель учится на этой истории и помечает новые заказы с высоким риском возврата, чтобы менеджер позвонил клиенту до отправки.
Связанные термины
Вопросы и ответы
Чем обучение с учителем отличается от обучения без учителя?
Где взять размеченные данные для модели?
Источники
Где это применяют в компании
Не уверены, нужно ли это вашей компании?
Карта ИИ-решений