మెషిన్ లెర్నింగ్‌లో ఫైండ్-ఎస్ అల్గారిథమ్‌ను ఎలా అమలు చేయాలి?

లో , కాన్సెప్ట్ లెర్నింగ్‌ను “ శిక్షణ ఉదాహరణలకు బాగా సరిపోయే పరికల్పన కోసం సంభావ్య పరికల్పన యొక్క ముందే నిర్వచించిన స్థలం ద్వారా శోధించే సమస్య ”- టామ్ మిచెల్. ఈ వ్యాసంలో, ఫైండ్-ఎస్ అల్గోరిథం అని పిలువబడే అటువంటి కాన్సెప్ట్ లెర్నింగ్ అల్గోరిథం ద్వారా వెళ్తాము. ఈ వ్యాసంలో ఈ క్రింది విషయాలు చర్చించబడ్డాయి.

• మెషిన్ లెర్నింగ్‌లో ఫైండ్-ఎస్ అల్గోరిథం అంటే ఏమిటి?
• ఇది ఎలా పని చేస్తుంది?
• ఫైండ్-ఎస్ అల్గోరిథం యొక్క పరిమితులు
• ఫైండ్-ఎస్ అల్గోరిథం అమలు
• కేసు ఉపయోగించండి

మెషిన్ లెర్నింగ్‌లో ఫైండ్-ఎస్ అల్గోరిథం అంటే ఏమిటి?

ఫైండ్-ఎస్ అల్గోరిథం అర్థం చేసుకోవడానికి, మీరు ఈ క్రింది భావనల గురించి ప్రాథమిక ఆలోచనను కలిగి ఉండాలి:

1. కాన్సెప్ట్ లెర్నింగ్
2. సాధారణ పరికల్పన
3. నిర్దిష్ట పరికల్పన

1. కాన్సెప్ట్ లెర్నింగ్

నిజ జీవిత ఉదాహరణతో కాన్సెప్ట్ లెర్నింగ్‌ను అర్థం చేసుకోవడానికి ప్రయత్నిద్దాం. మానవ అభ్యాసం చాలావరకు గత సందర్భాలు లేదా అనుభవాలపై ఆధారపడి ఉంటుంది. ఉదాహరణకు, మేక్, మోడల్, వంటి నిర్దిష్ట లక్షణాల ఆధారంగా ఏ రకమైన వాహనాన్ని అయినా గుర్తించగలుగుతాము, ఇవి పెద్ద లక్షణాల ద్వారా నిర్వచించబడతాయి.

ఈ ప్రత్యేక లక్షణాలు కార్లు, ట్రక్కులు మొదలైన వాటి సమితిని పెద్ద వాహనాల నుండి వేరు చేస్తాయి. కార్లు, ట్రక్కులు మొదలైన వాటి సమితిని నిర్వచించే ఈ లక్షణాలను కాన్సెప్ట్స్ అంటారు.

మాదిరిగానే, ఒక వస్తువు ఒక నిర్దిష్ట వర్గానికి చెందినదా కాదా అని గుర్తించడానికి యంత్రాలు భావనల నుండి కూడా నేర్చుకోవచ్చు. ఏదైనా కాన్సెప్ట్ లెర్నింగ్‌కు మద్దతు ఇచ్చే కిందివి అవసరం:

• శిక్షణ డేటా
• టార్గెట్ కాన్సెప్ట్
• వాస్తవ డేటా వస్తువులు

2. సాధారణ పరికల్పన

పరికల్పన, సాధారణంగా, ఏదో ఒక వివరణ. సాధారణ పరికల్పన ప్రాథమికంగా ప్రధాన వేరియబుల్స్ మధ్య సాధారణ సంబంధాన్ని తెలియజేస్తుంది. ఉదాహరణకు, ఆహారాన్ని క్రమం చేయడానికి ఒక సాధారణ పరికల్పన ఉంటుంది నాకు బర్గర్ కావాలి.

జి = {‘?’, ‘?’, ‘?’,… .. ’?’}

3. నిర్దిష్ట పరికల్పన

నిర్దిష్ట పరికల్పన సాధారణ పరికల్పనలో ఇచ్చిన వేరియబుల్స్ గురించి అన్ని ముఖ్యమైన వివరాలను నింపుతుంది. పైన ఇచ్చిన ఉదాహరణలో మరింత నిర్దిష్ట వివరాలు ఉంటాయి చికెన్ పెప్పరోనితో పాలకూరతో నింపే చీజ్ బర్గర్ నాకు కావాలి.

ఎస్ = {‘& ఫై’, ’& ఫై ',' & ఫై ', ……,' & ఫై '}

ఇప్పుడు, మెషిన్ లెర్నింగ్‌లో ఫైండ్-ఎస్ అల్గోరిథం గురించి మాట్లాడుదాం.

ఫైండ్-ఎస్ అల్గోరిథం క్రింద వ్రాసిన దశలను అనుసరిస్తుంది:

1. ‘H’ ను అత్యంత నిర్దిష్ట పరికల్పనకు ప్రారంభించండి.
2. ఫైండ్-ఎస్ అల్గోరిథం సానుకూల ఉదాహరణలను మాత్రమే పరిగణిస్తుంది మరియు ప్రతికూల ఉదాహరణలను తొలగిస్తుంది. ప్రతి సానుకూల ఉదాహరణ కోసం, ఉదాహరణలోని ప్రతి లక్షణానికి అల్గోరిథం తనిఖీ చేస్తుంది. లక్షణ విలువ పరికల్పన విలువకు సమానంగా ఉంటే, అల్గోరిథం ఎటువంటి మార్పులు లేకుండా ముందుకు సాగుతుంది. లక్షణ విలువ othes హాజనిత విలువ కంటే భిన్నంగా ఉంటే, అల్గోరిథం దాన్ని ‘?’ గా మారుస్తుంది.

ఇప్పుడు మేము ఫైండ్-ఎస్ అల్గోరిథం యొక్క ప్రాథమిక వివరణతో పూర్తి చేసాము, అది ఎలా పనిచేస్తుందో చూద్దాం.

ఇది ఎలా పని చేస్తుంది?

1. ఈ ప్రక్రియ చాలా నిర్దిష్ట పరికల్పనతో ‘h’ ను ప్రారంభించడంతో మొదలవుతుంది, సాధారణంగా, ఇది డేటా సమితిలో మొదటి సానుకూల ఉదాహరణ.
2. మేము ప్రతి సానుకూల ఉదాహరణ కోసం తనిఖీ చేస్తాము. ఉదాహరణ ప్రతికూలంగా ఉంటే, మేము తరువాతి ఉదాహరణకి వెళ్తాము, కానీ ఇది సానుకూల ఉదాహరణ అయితే మేము దానిని తదుపరి దశకు పరిశీలిస్తాము.
3. ఉదాహరణలోని ప్రతి లక్షణం పరికల్పన విలువకు సమానంగా ఉందో లేదో మేము తనిఖీ చేస్తాము.
4. విలువ సరిపోలితే, అప్పుడు మార్పులు చేయబడవు.
5. విలువ సరిపోలకపోతే, విలువ ‘?’ గా మార్చబడుతుంది.
6. డేటా సమితిలో చివరి సానుకూల ఉదాహరణను చేరుకునే వరకు మేము దీన్ని చేస్తాము.

ఫైండ్-ఎస్ అల్గోరిథం యొక్క పరిమితులు

క్రింద జాబితా చేయబడిన ఫైండ్-ఎస్ అల్గోరిథం యొక్క కొన్ని పరిమితులు ఉన్నాయి:

1. పరికల్పన డేటా అంతటా స్థిరంగా ఉందో లేదో తెలుసుకోవడానికి మార్గం లేదు.
2. అస్థిరమైన శిక్షణా సెట్లు వాస్తవానికి ఫైండ్-ఎస్ అల్గోరిథంను తప్పుదారి పట్టించగలవు, ఎందుకంటే ఇది ప్రతికూల ఉదాహరణలను విస్మరిస్తుంది.
3. ఫలిత పరికల్పనను మెరుగుపరచడానికి చేయగలిగిన ఉత్తమమైన మార్పులను నిర్ణయించడానికి ఫైండ్-ఎస్ అల్గోరిథం బ్యాక్‌ట్రాకింగ్ పద్ధతిని అందించదు.

ఇప్పుడు మేము ఫైండ్-ఎస్ అల్గోరిథం యొక్క పరిమితుల గురించి తెలుసుకున్నాము, ఫైండ్-ఎస్ అల్గోరిథం యొక్క ఆచరణాత్మక అమలును పరిశీలిద్దాం.

ఫైండ్-ఎస్ అల్గోరిథం అమలు

అమలును అర్థం చేసుకోవడానికి, ఒక వ్యక్తి నడక కోసం వెళ్లాలనుకుంటున్నారా అని నిర్ణయించడానికి ఉదాహరణల సమూహంతో కూడిన చిన్న డేటాకు దీన్ని అమలు చేయడానికి ప్రయత్నిద్దాం.

హాష్ టేబుల్ మరియు హాష్ మ్యాప్ మధ్య తేడా ఏమిటి

ఈ ప్రత్యేక సమస్య యొక్క భావన ఒక వ్యక్తి ఏ రోజుల్లో నడవడానికి ఇష్టపడతాడు.

డేటా సమితిని చూస్తే, మనకు ఆరు గుణాలు మరియు సానుకూల లేదా ప్రతికూల ఉదాహరణను నిర్వచించే తుది లక్షణం ఉన్నాయి. ఈ సందర్భంలో, అవును సానుకూల ఉదాహరణ, అంటే వ్యక్తి నడక కోసం వెళ్తాడు.

కాబట్టి ఇప్పుడు, సాధారణ పరికల్పన:

h₀= {‘ఉదయం’, ‘సన్నీ’, ‘వెచ్చని’, ‘అవును’, ‘తేలికపాటి’, ‘బలమైన’}

ఇది మా సాధారణ పరికల్పన, మరియు ఇప్పుడు మేము ప్రతి ఉదాహరణను ఒక్కొక్కటిగా పరిశీలిస్తాము, కానీ సానుకూల ఉదాహరణలు మాత్రమే.

h_ఒకటి= {‘ఉదయం’, ‘సన్నీ’, ‘?’, ‘అవును’, ‘?’, ‘?’}

h₂= {‘?’, ‘సన్నీ’, ‘?’, ‘అవును’, ‘?’, ‘?’}

ఫలిత పరికల్పనను పొందడానికి మేము సాధారణ పరికల్పనలోని అన్ని విభిన్న విలువలను భర్తీ చేసాము. ఫైండ్-ఎస్ అల్గోరిథం ఎలా పనిచేస్తుందో ఇప్పుడు మనకు తెలుసు, ఉపయోగించి అమలును పరిశీలిద్దాం పైథాన్ .

కేసు ఉపయోగించండి

ఉపయోగించి పై ఉదాహరణను అమలు చేయడానికి ప్రయత్నిద్దాం . పై డేటాను ఉపయోగించి ఫైండ్-ఎస్ అల్గారిథమ్‌ను అమలు చేసే కోడ్ క్రింద ఇవ్వబడింది.

csv ఫైల్ డేటా = pd.read_csv ('data.csv') ముద్రణ (డేటా, 'n') # అన్ని లక్షణాల శ్రేణిని తయారు చేయడం d = np.array (డేటా) [:,: - 1] ముద్రణ ('n లక్షణాలు:', d) # సానుకూల మరియు ప్రతికూల ఉదాహరణలు ఉన్న లక్ష్యాన్ని వేరుచేయడం లక్ష్యం = np.array (డేటా) [:, - 1] ముద్రణ ('n లక్ష్యం: ', లక్ష్యం) ఫైండ్-అల్గోరిథం డెఫ్ రైలు (సి, టి) ను అమలు చేయడానికి # ట్రెయినింగ్ ఫంక్షన్: i కోసం, ఎన్యూమరేట్ (టి) లో వాల్: ఉంటే వాల్ ==' అవును ': నిర్దిష్ట_హైపోథెసిస్ = సి [i]. కాపీ () i కోసం బ్రేక్, ఎన్యూమరేట్‌లో వాల్ (సి): ఉంటే టి [i] == 'అవును': పరిధిలో x కోసం (లెన్ (స్పెసిఫిక్_హైపోథెసిస్)): ఉంటే వాల్ [x]! = స్పెసిఫిక్_హైపోథెసిస్ [x]: స్పెసిఫిక్_హైపోథెసిస్ [ x] = '?' వేరే: పాస్ రిటర్న్ స్పెసిఫిక్_హైపోథెసిస్ # తుది పరికల్పన ముద్రణను కలిగి ఉంటుంది ('n చివరి పరికల్పన:', రైలు (డి, లక్ష్యం))

అవుట్పుట్:

ఇది మాక్‌లోని ఫైండ్-ఎస్ అల్గోరిథం నేర్చుకున్న ఈ వ్యాసం చివరకి తీసుకువస్తుందిదాని అమలు మరియు వినియోగ కేసుతో నేర్చుకోవడం. ఈ ట్యుటోరియల్‌లో మీతో పంచుకున్న అన్ని విషయాలతో మీరు స్పష్టంగా ఉన్నారని నేను ఆశిస్తున్నాను.

“మెషిన్ లెర్నింగ్‌లో ఫైండ్-ఎస్ అల్గోరిథం” పై ఈ కథనాన్ని మీరు కనుగొంటే, చూడండి ప్రపంచవ్యాప్తంగా 250,000 కంటే ఎక్కువ సంతృప్తికరమైన అభ్యాసకుల నెట్‌వర్క్‌తో విశ్వసనీయ ఆన్‌లైన్ లెర్నింగ్ సంస్థ.

మీ ప్రయాణంలో అడుగడుగునా మీకు సహాయం చేయడానికి మేము ఇక్కడ ఉన్నాము మరియు విద్యార్థులు మరియు నిపుణుల కోసం రూపొందించిన పాఠ్యాంశాలను రూపొందించండి. . ఈ కోర్సు మీకు పైథాన్ ప్రోగ్రామింగ్‌లోకి రావడానికి మరియు వివిధ మరియు ప్రధాన మరియు అధునాతన పైథాన్ భావనలకు శిక్షణ ఇవ్వడానికి రూపొందించబడింది వంటి , , మొదలైనవి.

మీకు ఏవైనా ప్రశ్నలు వస్తే, “మెషిన్ లెర్నింగ్‌లో ఫైండ్-ఎస్ అల్గోరిథం” యొక్క వ్యాఖ్యల విభాగంలో మీ ప్రశ్నలన్నింటినీ అడగడానికి సంకోచించకండి మరియు మా బృందం సమాధానం ఇవ్వడానికి సంతోషిస్తుంది.