Algorithm Explorer
सुपरवाइज्ड लर्निंग एल्गोरिदम
प्रत्येक एल्गोरिदम पर क्लिक करें और समझें कि यह कैसे काम करता है।
लीनियर रिग्रेशन
How it Works
इनपुट फीचर के आधार पर एक निरंतर संख्यात्मक मान की भविष्यवाणी करने के लिए डेटा पॉइंट्स से एक सीधी रेखा खींचता है।
Real-World Use
मकान की कीमतें, शेयर मूल्य या बिक्री पूर्वानुमान।
सुपरवाइज्ड लर्निंग वह है जहाँ मशीन को उदाहरण देकर सिखाया जाता है। आपके द्वारा प्रदान किया गया डेटा पहले से ही सही उत्तरों के साथ 'लेबल' किया गया होता है। नीचे इस क्षेत्र में उपयोग किए जाने वाले सबसे महत्वपूर्ण एल्गोरिदम दिए गए हैं।
1. लीनियर और लॉजिस्टिक रिग्रेशन
लीनियर रिग्रेशन का उपयोग संख्यात्मक मानों की भविष्यवाणी के लिए किया जाता है। लॉजिस्टिक रिग्रेशन का उपयोग वर्गीकरण (जैसे स्पैम की पहचान) के लिए किया जाता है।
2. डिसीजन ट्री और रैंडम फॉरेस्ट
एक डिसीजन ट्री एक फ्लो-चार्ट की तरह काम करता है। एक रैंडम फॉरेस्ट कई पेड़ों का संग्रह है जो अंतिम परिणाम पर वोट करते हैं, जिससे यह अधिक सटीक हो जाता है।
3. सपोर्ट वेक्टर मशीन (SVM)
SVM डेटा के विभिन्न वर्गों को प्रभावी ढंग से अलग करने के लिए इष्टतम सीमा (optimal boundary) का पता लगाता है।
पायथन: लॉजिस्टिक रिग्रेशन
साधारण डेटा पॉइंट को वर्गीकृत करने के लिए scikit-learn का उपयोग करना:
python
from sklearn.linear_model import LogisticRegression
import numpy as np
# डेटा: [पढ़ाई के घंटे], लेबल: [फेल=0, पास=1]
X = np.array([[1], [2], [3], [4], [5], [6]])
y = np.array([0, 0, 0, 1, 1, 1])
model = LogisticRegression()
model.fit(X, y)
# 4.5 घंटे की पढ़ाई के लिए भविष्यवाणी
print(f"4.5h के लिए भविष्यवाणी: {'पास' if model.predict([[4.5]])[0] == 1 else 'फेल'}")