Ын Анналин, Су Кеннет

30
Глава 1
. 
Об основах без лишних слов
не менее многие алгоритмы классификации способны 
также выдавать прогноз в виде непрерывного значения, 
как в высокоточных утверждениях типа «вероятность 
дождя 75 %».
a) Регрессия
b) Классификация
Рис. 1. Регрессия предполагает выведение линии тренда, а клас-
сификация — разделение элементов данных на группы. Обратите 
внимание, что ошибки ожидаемы в обеих задачах. При регрессии 
элементы данных способны отклоняться от линии тренда, в то вре-
мя как при классификации могут попадать в ошибочные категории
Обучение с подкреплением
Задача: использовать закономерности в моих данных, 
постоянно улучшая прогнозирование по мере появления 
новых результатов.
В отличие от обучения с учителем и без, где модели про-
ходят обучение и после применяются без дальнейших 
изменений, модель обучения с подкреплением постоянно 
развивается, используя результаты обратной связи.

---

1.3. Настройка параметров
31
Перейдем от табл. 1 к примеру из реальной жизни. Пред-
ставьте, что мы сравниваем эффективность двух онлайн-
реклам. Изначально мы можем показывать обе с равной 
частотой, подсчитывая количество людей, кликнувших 
на каждой из них. Такая модель будет получать эти числа 
в качестве обратной связи по популярности рекламы, ис-
пользуя их для того, чтобы увеличить долю показа более 
популярной рекламы. Путем такого циклического про-
цесса модель со временем научится показывать только 
лучшую рекламу.
Другие факторы
Помимо своей основной задачи алгоритмы отличаются 
также в других аспектах, таких как их способность ана-
лизировать различные типы данных, а также форматом 
выводимых результатов. Эти моменты раскрыты в даль-
нейших главах, посвященных каждому алгоритму, а также 
приведены в сводных таблицах приложения A (обучение 
без учителя) и приложения B (обучение с учителем).