문제의 실행 가능한 모델을 찾고 조정했으면 해당 모델을 사용할 때입니다. 이유를 다시 살펴보고 해결하려는 문제에 대한 해결책이 필요한 형식을 상기시켜야 할 수도 있습니다.결과로 작업을 수행할 때까지 문제가 해결되지 않습니다. 이 게시물에서는 질문에 대한 답변으로 결과를 제시하는 전술과 프로토타입 모델을 프로덕션 시스템으로 전환할 때 고려해야 할 사항을 알아봅니다.해결하려는 문제의 유형에 따라 결과 표시가 매우 다릅니다. 머신러닝 노력의 결과를 활용하는 데는 두 가지 주요 측면이 있습니다.결과 보고시스템 운영화결과 보고좋은 모델과 충분한...

사용할 알고리즘 또는 알고리즘 구성을 알고 있다면 머신러닝을 사용할 필요가 없습니다.최상의 머신러닝 알고리즘 또는 알고리즘 매개 변수는 없습니다. 그럼에도 이런 질문들을 많이 받게 됩니다.최고의 머신러닝 알고리즘은 무엇입니까?머신러닝 알고리즘과 문제간의 매핑은 무엇입니까?머신러닝 알고리즘에 가장 적합한 매개 변수는 무엇입니까?이러한 질문에는 패턴이 있습니다.일반적으로 이러한 질문에 대한 답은 미리 알지 못하며 알 수도 없습니다. 경험적 연구를 통해 발견해야 합니다.이러한 질문에 답할 수있는 광범위한 브러시 휴리스틱이 있지만 알고리즘이나 문제를 최대한 활용하려는...

머신러닝 알고리즘을 평가할때 사용하는 테스트 옵션은 과도한 학습, 평범한 결과 또는 최상의 결과와의 차이를 의미 할 수 있습니다. 이 게시물에서는 알고리즘 평가 테스트 프로그램에서 사용할 수 있는 표준 테스트 옵션과 다음에 올바른 옵션을 선택하는 방법을 알아봅니다.임의성올바른 테스트 옵션을 선택하는 데 어려움의 원인은 임의성입니다. 대부분의(거의 모든) 머신러닝 알고리즘은 어떤 식으로든 임의성을 사용합니다. 임의성은 알고리즘에서 명시적일 수도 있고, 알고리즘을 훈련시키기 위해 선택된 데이터의 샘플에 있을 수도 있습니다.이것은 알고리즘이...