预测和线性分类

在此，我们简要介绍了如何实现基于机器学习的算法，以训练线性模型来拟合一组数据点。

为此，无需具备任何深度学习的先验知识。我们将从讨论监督学习开始。我们将讨论监督学习的概念及其与之的关系。

机器学习

机器学习是AI的一种应用。机器学习(ML)使系统能够借助经验自动学习和改进。 ML专注于计算机程序的开发，该程序可以访问数据并将其用于自身学习。

学习的过程始于数据或观察，例如示例，说明或直接经验，以便根据我们提供的示例查找数据模式并在将来做出更好的决策。其目的是允许计算机在没有人工干预的情况下自动学习，并相应地调整操作。

监督学习

顾名思义，主管是在担任教师。在监督学习中，我们使用标记良好的数据来训练或教导机器。标记正确的意味着几乎没有数据已被正确答案标记。之后，机器将获得一组新的数据。监督学习算法会分析训练数据并从标记的数据中产生正确的结果。

监督学习分为两大类算法：

• 分类：当输出变量或仅输出是诸如“红色”或“蓝色”或“疾病或无疾病”的类别时，分类问题就是一个问题。
• 回归：当输出变量或简单输出是实数或连续值(例如“工资”或“权重”)时，回归问题就是一个问题。

无监督学习

在无监督学习中，机器会使用既未分类也未标记的信息进行训练，并允许算法在没有指导的情况下对信息进行操作。在无监督学习中，任务是根据相似性，差异和模式对未分类的信息进行分组，而无需事先对数据进行训练。

没有主管，这意味着不会对机器进行培训。因此，机器仅限于自行查找隐藏的结构。

无监督学习分为两大类算法：

• 聚类：聚类问题是我们必须发现数据中固有分组的问题。例如按课程或年龄行为对学生进行分组。
• 关联：关联问题是一个问题，我们必须发现描述我们大部分数据的规则，例如购买苹果的人也想购买香蕉。

进行预测(创建数据模型)

进行预测是建立线性回归模型的第一步。在线性回归模型中，我们使用监督学习，因为回归是其第二大类。因此，对学习者进行了培训，并利用了与标记特征相关联的数据集，这些特征定义了我们训练数据的含义。

学习者能够在将新输入的数据提供给机器之前预测相应的输出。

查找预测的步骤

• 第一步是安装手电筒，然后将其导入使用。
• 下一步是初始化变量c和c以了解直线方程。
• 初始化线方程，使y = w * x + b，这里w是斜率，b是偏置项，y是预测。
• 预测是在forward()方法内部计算的。

让我们看一个例子，以了解如何在线性回归中进行预测。

对于单个数据

import torch
b=torch.tensor(3.0,requires_grad=True)
c=torch.tensor(1.0,requires_grad=True)
def forward(x):
       y=b*x+c
       return y
x=torch.tensor([4.0])
forward(x)

输出：

tensor([13.], grad_fn=)

对于多个数据

import torch
b=torch.tensor(3.0,requires_grad=True)
c=torch.tensor(1.0,requires_grad=True)
def forward(x):
       y=b*x+c
       return y
x=torch.tensor([[4.0],[5.0],[6.0]])
forward(x)

输出：

tensor([[13.],
        [16.],
        [19.]], grad_fn=)

使用线性类进行预测

绑定预测还有另一种标准方法。为此，我们必须导入torch.nn包的线性类。在此，我们使用manual_seed()方法生成随机数。当我们使用线性类创建模型时，将为线性类提供随机数值，这自召回以来就很有意义。

让我们看一个如何使用model和manual_seed()方法进行预测的示例。

对于单个数据

import torch
from torch.nn import Linear
torch.manual_seed(1)
model=Linear(in_features=1,out_features=1)
print(model.bias,model.weight)
x=torch.tensor([2.0])
print(model(x))

输出：

Parameter containing:
tensor([-0.4414], requires_grad=True) Parameter containing:
tensor([[0.5153]], requires_grad=True)
tensor([0.5891], grad_fn=)

对于多个数据

import torch
from torch.nn import Linear
torch.manual_seed(1)
model=Linear(in_features=1,out_features=1)
print(model.bias,model.weight)
x=torch.tensor([[2.0],[4.0],[6.0]])
print(model(x))

输出：

Parameter containing:
tensor([-0.4414], requires_grad=True) Parameter containing:
tensor([[0.5153]], requires_grad=True)
tensor([[0.5891],
        [1.6197],
        [2.6502]], grad_fn=)