No estoy seguro de cuán detallada y detallada es la respuesta que está buscando, ¡pero esta es una vista muy básica!
En PR, básicamente, divide el conjunto de datos (al inicio) en datos de entrenamiento y datos de prueba.
El diseño del sistema de RP es tal que uno apunta a construir categorías de clasificación para el escenario dado (conjunto de datos). Ahora, una vez que el sistema está en su lugar, se supone que el algoritmo debe someterse al aprendizaje (supervisado, no supervisado, reforzado, etc.). Básicamente, el sistema comienza a asignar a cada punto de datos una clase / clasificación distinta (en la medida de lo posible).
Aprendizaje supervisado: los datos se marcan en clases (por ejemplo, un experto humano). El algoritmo intenta encontrar qué característica subyacente (categoría / clase de clasificación) define cada clase. Este paso es básicamente el aprendizaje. Una vez que esta fase está optimizada, se pueden ejecutar nuevos datos (sin marcadores de clase) y realizar una evaluación de la precisión.
- ¿Cuáles son los cursos del Instituto SANS para comenzar a aprender pentesting?
- ¿Cómo aprender lo más posible durante mis clases en la escuela?
- ¿Cuál es la mejor manera de aprender contabilidad sin ir a la escuela?
- ¿Qué valiosas oportunidades de aprendizaje tienen los niños ricos que los pobres no tienen?
- ¿Cuáles son los mejores sitios web para aprender MS Excel?
Ejemplo (Aprendizaje supervisado) – Digamos que se necesita un sistema que tome una foto de un pez en una cinta transportadora y luego le dé un nombre de especie (por simplicidad, solo las etiquetas que se darán son especies 1 y 2).
Como un problema de RP, asuma un conjunto de datos de imágenes con ID como especie 1 o 2. El algoritmo de PR debe tomar un subconjunto como datos de entrenamiento y comenzar la clasificación de APRENDIZAJE. En efecto, está seleccionando una característica: por ejemplo, tamaño, color de piel, forma de la aleta (o cualquier otra característica) y llegando a un valor de parámetro para la característica seleccionada, que será el límite entre las especies 1 y 2. Luego, algo ejecuta el datos de entrenamiento (con este límite) y ve cuán preciso es algo en la identificación de las especies (en comparación con las etiquetas de especies ya marcadas). Sigue cambiando la condición de contorno para obtener más y más precisión. Esta es la parte de APRENDIZAJE.
Tenga en cuenta que este límite una vez bloqueado puede cambiar, frente a nuevos datos !!