Algorithm Explorer
సూపర్వైజ్డ్ లెర్నింగ్ అల్గోరిథమ్లు
ప్రతి అల్గోరిథమ్పై నొక్కి అది ఎలా పనిచేస్తుందో అర్థం చేసుకోండి.
లీనియర్ రిగ్రెషన్
How it Works
ఇన్పుట్ ఫీచర్ల ఆధారంగా నిరంతర సంఖ్యా విలువను అంచనా వేయడానికి డేటా పాయింట్లకు సరళ రేఖ వేస్తుంది.
Real-World Use
ఇళ్ల ధరలు, స్టాక్ విలువలు లేదా అమ్మకాల అంచనాలు.
సూపర్వైజ్డ్ లెర్నింగ్ అంటే యంత్రానికి ఉదాహరణల ద్వారా నేర్పించడం. మీరు ఇచ్చే డేటా ఇప్పటికే సరైన సమాధానాలతో 'లేబుల్' చేయబడి ఉంటుంది. ఒక విద్యార్థికి, ప్రతి అధ్యాయం చివరలో జవాబు కీ ఉన్న పరీక్ష కోసం చదువుకోవడం వంటిది. ఈ రంగంలో ఉపయోగించే అత్యంత ముఖ్యమైన అల్గారిథమ్స్ క్రింద ఉన్నాయి.
1. లీనియర్ మరియు లాజిస్టిక్ రిగ్రెషన్
లీనియర్ రిగ్రెషన్ అంకెలను అంచనా వేయడానికి ఉపయోగించబడుతుంది. లాజిస్టిక్ రిగ్రెషన్ వర్గీకరణ (ఉదాహరణకు స్పామ్ మెయిల్ రికగ్నిషన్) కోసం ఉపయోగించబడుతుంది.
2. డెసిషన్ ట్రీస్ మరియు రాండమ్ ఫారెస్ట్
ఒక డెసిషన్ ట్రీ ఫ్లో-చార్ట్ లాగా పనిచేస్తుంది. రాండమ్ ఫారెస్ట్ అనేది అనేక చెట్ల సమూహం, ఇవి తుది ఫలితంపై ఓటు వేస్తాయి, ఇది మరింత ఖచ్చితమైనదిగా చేస్తుంది.
3. సపోర్ట్ వెక్టార్ మెషిన్ (SVM)
SVM డేటాలోని విభిన్న వర్గాలను సమర్థవంతంగా వేరు చేయడానికి సరైన సరిహద్దును (optimal boundary) కనుగొంటుంది.
పైథాన్: లాజిస్టిక్ రిగ్రెషన్
Scikit-learn ఉపయోగించి సరళమైన డేటా పాయింట్లను వర్గీకరించడం:
python
from sklearn.linear_model import LogisticRegression
import numpy as np
# డేటా: [చదువుకున్న గంటలు], లేబుల్: [ఫెయిల్=0, పాస్=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 గంటల చదువు కోసం అంచనా వేయండి
print(f"4.5h కోసం అంచనా: {'పాస్' if model.predict([[4.5]])[0] == 1 else 'ఫెయిల్'}")