Глава 4. Супервизорное обучение

– Основные понятия: обучающая выборка, тестовая выборка

– Пример: Линейная регрессия

– Метрики оценки качества моделей

В мире машинного обучения супервизорное обучение занимает центральное место, поскольку именно этот подход позволяет моделям извлекать закономерности из данных, имея в распоряжении заранее размеченные примеры. Этот метод напоминает обучение с наставником, где модель получает не только входные данные, но и ожидаемые выходные значения, постепенно учась находить между ними связи.

Одним из ключевых элементов супервизорного обучения является разделение данных на обучающую и тестовую выборки. Первая используется для построения модели, а вторая – для проверки ее качества и способности к обобщению. Без этого разделения модель рискует стать чрезмерно привязанной к конкретным данным, теряя способность адаптироваться к новым ситуациям.

Для иллюстрации работы супервизорного обучения часто рассматривают линейную регрессию – один из базовых алгоритмов, который предсказывает числовое значение на основе входных признаков. Этот метод прост, но при этом закладывает основы понимания более сложных моделей.

Оценка качества модели играет важнейшую роль в процессе машинного обучения. Существует множество метрик, которые позволяют определить, насколько хорошо модель справляется со своей задачей, выявить её слабые места и наметить пути для улучшения. Анализ этих метрик помогает избежать ошибок, связанных с переобучением или недостаточной гибкостью модели, делая процесс обучения более эффективным и целенаправленным.

В этой главе мы подробно рассмотрим основные понятия супервизорного обучения, разберем на примере линейной регрессии, как модели обучаются находить закономерности, и изучим ключевые метрики, используемые для оценки их качества.

Основные понятия: обучающая выборка, тестовая выборка

При обучении моделей машинного обучения важнейшую роль играет правильное разбиение данных. Данные, с которыми работает модель, обычно делят на обучающую выборку (training set) и тестовую выборку (test set). Это делается для того, чтобы модель не только "запомнила" информацию, но и научилась обобщать закономерности, применяя их к новым данным. Давайте разберем эти понятия подробнее.

Обучающая выборка (training set)

Обучающая выборка – это основа, на которой строится любая модель машинного обучения. Она состоит из множества примеров, где каждый объект имеет свои характеристики и правильный ответ, который модель должна научиться предсказывать. Например, если мы обучаем модель определять стоимость квартиры, то ее входные данные могут включать площадь, количество комнат, этаж и район, а правильным ответом будет реальная цена. Если модель должна классифицировать письма на спам и не спам, то среди ее признаков могут быть длина текста, наличие определенных слов и вложений, а правильный ответ – относится ли письмо к категории спама.

Процесс обучения модели похож на изучение нового предмета. Когда человек учится решать математические задачи, он сначала смотрит примеры, анализирует решения, затем пробует решить похожие задачи сам и постепенно начинает замечать закономерности. Точно так же модель анализирует примеры из обучающей выборки, выявляет связи между входными характеристиками и правильными ответами, а затем формирует внутренние правила, позволяющие делать предсказания на новых данных.

Качество обучающей выборки напрямую влияет на точность модели. Если данные содержат ошибки, нерелевантную информацию или предвзятые закономерности, модель может обучиться неправильно. Например, если в выборке представлены только квартиры из дорогих районов, алгоритм не сможет делать точные предсказания для более доступного жилья. Если выборка несбалансированная и, например, 95% писем в ней не являются спамом, модель может просто запомнить, что большинство случаев – это «не спам», и начать ошибаться на реальных данных.

Чтобы модель работала хорошо, важно тщательно подготавливать обучающую выборку: удалять ошибки, исключать нерелевантные данные, следить за тем, чтобы примеры были разнообразными и представляли разные варианты возможных ситуаций. Чем лучше подготовлены данные, тем точнее и надежнее будет модель, а значит, и ее предсказания окажутся более полезными.

Тестовая выборка (test set)

Тестовая выборка играет решающую роль в оценке качества модели после завершения её обучения. Это набор данных, который не использовался во время процесса обучения и предназначен для проверки того, насколько хорошо модель способна применять полученные знания к новым, незнакомым примерам. Если модель справляется с тестовой выборкой, это значит, что она действительно научилась выявлять закономерности, а не просто запомнила ответы из обучающего набора.

Для того чтобы тестирование было объективным, тестовая выборка должна быть полностью независимой от обучающей. Если модель сталкивалась с теми же примерами во время обучения, проверка становится бессмысленной: в таком случае она просто воспроизведет уже знакомые ей ответы, но это не скажет ничего о её способности обрабатывать новые данные. Настоящая задача машинного обучения – уметь делать прогнозы для ситуаций, с которыми модель ранее не сталкивалась, поэтому тестовая выборка должна включать примеры, позволяющие проверить именно это умение.

Хороший способ понять суть тестовой выборки – сравнить её с экзаменом. Когда студент готовится к экзамену, он изучает учебный материал и решает задачи из учебника, запоминая принципы их решения. Но на самом экзамене ему предлагаются совершенно новые задачи, которые он раньше не видел. Если он действительно понял материал, он сможет их решить, даже если они отличаются от тех, что были в учебнике. Если же он просто заучил решения конкретных примеров, но не понял сути, то на экзамене он растеряется и не сможет справиться с новыми задачами.

С моделью машинного обучения происходит то же самое. Если она слишком сильно запомнила обучающие данные, но не научилась их обобщать, она провалит тестирование. Это называется переобучением – модель становится слишком привязанной к обучающему набору и плохо справляется с новыми данными. Именно поэтому тестирование на независимой выборке является обязательным этапом, который позволяет выявить, насколько модель действительно готова к практическому применению.

Как правильно разделить данные?

Разделение данных на обучающую, тестовую и, при необходимости, валидационную выборки – это важный этап машинного обучения, который напрямую влияет на качество модели. Если данные распределены неправильно, модель может либо не получить достаточно информации для обучения, либо оказаться плохо протестированной, что приведёт к некорректным предсказаниям на реальных данных.

Чаще всего данные делят в пропорции: 70-80% на обучение и 20-30% на тестирование. Такой баланс выбран неслучайно. Если выделить слишком мало данных для обучения, модель не сможет выявить устойчивые закономерности, так как у неё будет недостаточно примеров. Если же оставить слишком мало данных для тестирования, то сложно будет объективно оценить качество модели: её результаты на новой информации могут оказаться случайными.

Дополнительно иногда выделяют валидационную выборку – отдельный набор данных, который используется во время настройки модели. Это особенно важно при выборе гиперпараметров, таких как сложность модели или скорость обучения. Валидационные данные позволяют тестировать различные конфигурации модели без риска подгонки под тестовую выборку. Если этого не делать, можно случайно подобрать модель, которая хорошо работает только на тестовых данных, но плохо справляется с реальными задачами.

Такое разделение можно сравнить с процессом подготовки спортсмена к соревнованиям. На этапе тренировок (обучающая выборка) он изучает технику, развивает выносливость и учится справляться с нагрузками. Перед важным турниром он может участвовать в контрольных тренировках и пробных забегах (валидационная выборка), где тестирует свою подготовку. Но финальная проверка его навыков – это соревнование (тестовая выборка), на котором становится ясно, насколько хорошо он умеет применять свои знания и навыки в реальных условиях.

Без тестирования на новых данных невозможно сказать, действительно ли модель научилась решать задачу или просто запомнила ответы из обучающей выборки. Если модель показывает отличные результаты на обучающих данных, но терпит неудачу на тестовых, значит, она переобучилась и не сможет работать с реальными данными. Именно поэтому правильное разделение данных является обязательным шагом в процессе создания моделей машинного обучения.

Рассмотрим несколько примеров кода на Python с использованием библиотеки `scikit-learn`, чтобы лучше понять процесс разделения данных.

Пример 1: Базовое разбиение данных

Этот код показывает, как разделить данные на обучающую и тестовую выборки с помощью `train_test_split`.

```python

from sklearn.model_selection import train_test_split

import numpy as np

# Создадим массив данных (обычно здесь загружаются реальные данные)

X = np.array([[i] for i in range(1, 11)]) # Признаки (например, номера объектов)

y = np.array([i * 2 for i in range(1, 11)]) # Целевые значения (например, цены)

# Разделяем на 80% обучение, 20% тест

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

print("Обучающая выборка (X_train):", X_train.ravel())

print("Тестовая выборка (X_test):", X_test.ravel())

```

Вывод: Обучающая и тестовая выборки будут сформированы случайным образом, но примерно 80% данных пойдет на обучение, а 20% на тестирование.

Пример 2: Добавление валидационной выборки

Иногда, помимо тестовой выборки, выделяют валидационную. Это можно сделать в два этапа.

```python

# Разделяем данные: 70% обучение, 15% валидация, 15% тест

X_train, X_temp, y_train, y_temp = train_test_split(X, y, test_size=0.3, random_state=42)

X_val, X_test, y_val, y_test = train_test_split(X_temp, y_temp, test_size=0.5, random_state=42)

print("Обучающая выборка:", X_train.ravel())

print("Валидационная выборка:", X_val.ravel())

print("Тестовая выборка:", X_test.ravel())

```

Объяснение: Сначала мы отделяем 70% данных для обучения, а затем оставшиеся 30% делим пополам, чтобы получить валидационную и тестовую выборки по 15% каждая.

Пример 3: Разбиение данных в задаче машинного обучения (предсказание цен квартир)

Этот пример показывает реальное применение разбиения данных в задаче предсказания стоимости квартир.

```python

import pandas as pd

from sklearn.model_selection import train_test_split

# Загрузим данные (пример сгенерированных данных)

data = pd.DataFrame({

"Площадь": [30, 45, 60, 75, 90, 105, 120, 135, 150, 165],

"Этаж": [2, 3, 5, 1, 8, 10, 12, 15, 17, 20],

"Цена": [3.5, 5.2, 6.8, 7.1, 9.3, 10.5, 12.7, 14.2, 15.8, 17.5] # Цена в миллионах рублей

})

# Признаки (X) и целевой признак (y)

X = data[["Площадь", "Этаж"]]

y = data["Цена"]

# Разделяем на обучающую и тестовую выборки (80% обучение, 20% тест)

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

print("Обучающие данные:\n", X_train)

print("Тестовые данные:\n", X_test)

```

Вывод: Обучающая выборка содержит 80% данных, тестовая – 20%. Теперь можно обучить модель, например, линейной регрессии, и проверить её на тестовых данных.

Пример 4: Проверка на переобучение

Допустим, мы обучили модель и посмотрели её точность на обучающих и тестовых данных.

```python

from sklearn.linear_model import LinearRegression

from sklearn.metrics import mean_absolute_error

# Создаем и обучаем модель линейной регрессии

model = LinearRegression()

model.fit(X_train, y_train)

# Делаем предсказания

train_predictions = model.predict(X_train)

test_predictions = model.predict(X_test)

# Оценка модели