 Questa è la seconda parte dei tipi di disegno per il video di machine learning. Focusseremo prima sul futuro, è molto importante per i progetti di machine learning. E vedremo come evaluare la performance del modello di machine learning. Vedremo anche un'addizionale informazione che può essere utile per te quando iniziare il progetto di disegno. Focusseremo attenzione alla selezione dei futuro per un modello di machine learning, in particolare il progetto di disegno. Perché è così importante? Perché non ci sono solo le possibili possibili e future? Basicamente, ci sono 3 risorse. La prima è una limitazione di hardware di AI devices. In questo caso, per esempio, potremmo avere un numero maximale di futuro che potremmo usare per i MEMS MLC. La seconda parte è la possibilità di overfitting che potremmo vedere in dettagli. Questa è la possibilità di migliorare il modello di machine learning che è più complesso di quello che è necessario. La prima è che molte volte ciò può succedere che, per diminuire il numero di futuro, potremmo raggiungere miglior performance. Vediamo come discriminare i futuro da un esempio pratico. La prima approccia è per checkare le data nel domenio del tempo. In questo esempio, vogliamo discriminare se una persona sta andando o non, lavorando sulle raw data da un accelerometer. Prendendo la foto, è evidente che la variazione del signal è un futuro importante che useremo per classificare. Continuiamo con due esempi, sempre lavorando sulle data da un accelerometer. Per esempio, a la destra, vogliamo capire il gestione di più. Quindi, sveglieremo i dependenti di orientazione di futuro. Per esempio, il minimo e il maximo valore di un accelerometer in particolare axis, come x o y. Per esempio, a la destra, nel viceversa, vogliamo essere dependenti di orientazione. Infatti, vogliamo capire se la variazione della potenza sta andando o non andando sulle raw data, indipendentemente dalla orientazione della variazione della potenza. Quindi, sveglieremo diversi futuro, orientazione indipendente di questo tempo, come il valore di massima o il valore di energia della norma di l'axis x, y e z del accelerometer. In generale, è molto utile portare i futuri su un axis 1D o 2D. Questa ci aiuterà a svegliere i futuri che useremo per il nostro modello machine learning. In questo esempio, possiamo vedere chiaramente che, quando portare specifici futuri, possiamo separare facilmente diversi classi. La separazione significa che i futuri che sono tirati, portano informazioni al modello machine learning. C'è un metodo per discriminare i futuri più informativi, per tirare la sovrapposita matrix di covariazione. Soprire questo plot, possiamo vedere la correlazione tra i futuri diversi. Se i futuri fanno una relazione linearica, significa che si portano il stesso contenuto di informazione. Quindi, dopo, possiamo solo togliere uno di questi. Ancora, maggiori tool machine learning e libraries, come RapidMiner, WAKA, MATLAB e Python, si scelte automaticamente le più informativi futuri, usando alcuni specifici algoritmi. In questo caso, sicuramente, è meglio di manualmente presseggiare le più informativi futuri come abbiamo visto prima. Una volta che il modello machine learning è stato imparato su una specifica data set, vediamo come evaluare la performance del modello. Una persona che ha usato l'API è l'accurazione del modello che ha bisogno di essere calcolato sul test data set. Il comune errore ai primi e ai primi è infatti calcolare l'accurazione sul set del training che non è corretto come abbiamo visto già in il primo video. Un altro importante che l'API ha usato molte volte da ingegniatori AI è il score F1. Vedi qui alcuni dettagli di la formula per calcolare. Un altro importante passo per evaluare la performance del modello machine learning è per guardare la sovrapposizione di confusione. A l'alto orizzontale abbiamo le predizioni giocate dal modello machine learning. A l'alto orizzontale abbiamo le true value che hanno avuto dai labeli di data set. Le predizioni corrette sono in diagonale. Vedi che è facile se una specifica classa è correttamente riconoscita o se è molto confuso con un altro. L'importante analizia più importante quando evaluare la performance del modello machine learning è per guardare le sovrapposizioni e le sovrapposizioni possibili. In una situazione sovrapposizione abbiamo più raccurazione in both training and test data set. In questo caso, significa che il modello non può identificare le patte presenti in data given. Quindi possiamo solvere la situazione per aumentare la complessità del modello machine learning. In una situazione sovrapposizione abbiamo una buona raccurazione nel training data set e una pura raccurazione nel test data set. Significa che il modello non può generalizzare abbastanza e è riconoscita come una patterna un po' di sovrapposizioni presenti nel training data set. In questo caso, abbiamo una strada molto diversa. Possiamo aumentare la complessità del modello machine learning o possiamo aumentare l'amante di data in il training data set. Una metodologia per solvere l'escezione sovrapposizionale specifica del modello decision tree è la sovrapposizione. Infatti, possiamo aumentare la complessità del modello decision tree con la sovrapposizione che pensiamo non è rilevante. Possiamo scegliere l'escezione per esempio per scoprire le branches che sono usate soltanto. Abbiamo bisogno di scoprire quando vogliamo arrumare questo processo per scoprire la raccurazione nel training e nel test data set. Grazie per essere con me per una buona giornata per coprire tutti i tipi disegnati per il modello machine learning. Solo un po' di informazioni che penso che potrebbero essere usate prima di concludere questo video. Potete trovare in machine learning tools e libraries differenti nomi della sovrapposizione. Attualmente la sovrapposizione stracciata e il modo di disegnare è the same che abbiamo visto prima. I differenti nomi referono a diversi algoritmi che sono usati per generare decisiones iniziati dalla data set. Il risultato è un modello di modello machine learning chiamato Random Forest. Questo è fatto con una collezione di decisiones un po' di differenti e costruita iniziati dalla data set. Il risultato del modello è diventato a considerare la maggiorità dei risultati diventati dalla decisione 3. Il Random Forest può aiutare in problemi di sovrapposizione perché è un modello di diverso di differenti modelli quindi è più robusto. Se siete interessati in ITA potete ancora usare la MMS MLC Infatti con questa MLC puoi usare le decisiones per 8 e puoi creare un modello Random Forest con l'aiuto di un microcontroller esterno. Grazie per l'attenzione. Se vuoi referire più in dettagli per i topici che ho scoperto in questi due video puoi referire al nostro documento 0139 o al nostro webpage di MMS Sensor Ecosystem per la MMS. Grazie per l'attenzione del modello MLC e ci vediamo presto.