El aprendizaje supervisado puede generar modelos de dos tipos.
Por lo general, genera una función que transforma los datos de entrada en los resultados deseados.
Con el fin de resolver un determinado problema de aprendizaje supervisado (por ejemplo, aprender a reconocer la escritura) uno tiene que considerar varios pasos: Otro término para el aprendizaje supervisado es la clasificación.
Una amplia gama de clasificadores están disponibles, cada uno con sus fortalezas y debilidades.
No hay una clasificación única que funciona mejor en todos los problemas dados, lo que también se conoce como el No hay almuerzo gratis teorema.
Diversas pruebas empíricas se han realizado para comparar el rendimiento del clasificador y para encontrar las características de los datos que determinan el rendimiento del clasificador.
La determinación de un clasificador adecuado para un problema dado, sin embargo aún más un arte que una ciencia.
El objetivo del aprendizaje supervisado es encontrar una función g, dado un conjunto de puntos de la forma (x, g(x)).
Dado que el estudiante elige los ejemplos, el número de ejemplos para aprender un concepto a menudo pueden ser mucho menores que el número requerido en el aprendizaje supervisado normal.
Con este enfoque se corre el riesgo de que el algoritmo puede centrarse en importancia ni como ejemplos válidos.
El aprendizaje activo puede ser especialmente útil en problemas de investigación biológica, como ingeniería de proteínas, donde unas pocas proteínas han sido descubiertos con una cierta función interesante y se quiere determinar cuál de las muchas posibles mutantes que el próximo que tendrá un.
se incluyen todas las proteínas que se sabe que tienen una determinada actividad interesante y todas las proteínas adicionales que uno podría querer poner a prueba para esa actividad.
se divide en tres subgrupos: La mayoría de las investigaciones actuales en el aprendizaje activo implica que el mejor método para elegir los puntos de datos para
métodos mínima marginal Hiperplano suponer que los datos con> los más pequeños
Otros métodos similares, como máximo marginal Hiperplano, elija los datos con> el mayor
y asume todas las etiquetas posibles ese dato pueda tener.
Este dato supone con cada clase se añade a
El dato con la precisión que más ha mejorado se coloca en