Uczenie nadzorowane modele

Tabela zestawiająca rzeczywiste i przewidziane klasy, z której wyprowadza się miary jakości klasyfikatora jak precyzja czy czułość.

Powierzchnia w przestrzeni cech rozdzielająca obszary przypisywane przez klasyfikator do różnych klas.

Funkcja optymalizowana podczas uczenia, łącząca składnik dopasowania do danych z ewentualnymi karami, której ekstremum wyznacza parametry modelu.

Model nieparametryczny przypisujący predykcję na podstawie etykiet k najbliższych przykładów uczących w przestrzeni cech.

Funkcja obliczająca iloczyn skalarny obrazów dwóch punktów w przestrzeni cech wyższego wymiaru bez jawnego ich odwzorowania.

Maszyna wektorów nośnych — klasyfikator wyznaczający hiperpłaszczyznę maksymalizującą margines między klasami, z możliwością odwzorowania jądrowego.

Klasyfikator probabilistyczny stosujący twierdzenie Bayesa przy założeniu warunkowej niezależności cech względem klasy.

Technika zespołowa budująca model jako sekwencję słabych uczniów, gdzie każdy kolejny koryguje błędy poprzednich przez dopasowanie do gradientu funkcji straty.

Zespół wielu drzew decyzyjnych trenowanych na próbkach bootstrap z losowym podzbiorem cech, agregujący ich predykcje przez głosowanie lub uśrednianie.

Model predykcyjny o strukturze drzewa, gdzie każdy węzeł wewnętrzny testuje cechę, a liście przypisują wartość lub klasę docelową.

Model liniowy klasyfikacji szacujący prawdopodobieństwo przynależności do klasy przez przepuszczenie kombinacji liniowej cech przez funkcję sigmoidalną.

Technika ograniczania złożoności modelu przez dodanie kary do funkcji celu lub inne ograniczenia, redukująca przeuczenie i poprawiająca uogólnianie.