Učení s učitelem: Porovnání verzí

'''Učení s učitelem''' (anglicky ''supervised learning'') je metoda [[strojové učení|strojového učení]] pro učení funkce z trénovacích dat.

Výstup funkce může být spojitá hodnota (při [[regresní analýza|regresi]]) anebo může předpovídat označení

třídy vstupního objektu (při [[klasifikace (umělá inteligence)|klasifikaci]]). Úloha algoritmu učení je

(tj. dvojice vstup a požadovaný výstup). Aby to dokázal, musí algoritmus zobecnit prezentovaná data na nové

Přeučení (overfitting) je stav, kdy je systém příliš přizpůsoben množině trénovacích dat, ale nemá schopnost generalizace a selhává na testovací (validační) množině dat. To se může stát např. při malém rozsahu trénovací množiny nebo pokud je systém příliš komplexní (např. příliš mnoho skrytých neuronů v [[Neuronová síť|neuronové síti]]. Řešením je zvětšení trénovací množiny, snížení složitosti systému nebo různé techniky [[regularizace_regularizace (matematika)|regularizace]] jako je zavedení náhodného šumu (což v zásadě odpovídá rozšíření trénovací množiny), zavedení omezení na parametry systému, které v důsledku snižuje složitost popisu naučené funkce, nebo předčasné ukončení (průběžné testování na validační množině a konec učení ve chvíli, kdy se chyba na této množině dostane do svého minima).

Pomocí trénovacích dat se naučí jeden nebo několik [[klasifikátor]]ů, případně podle chování na validačních datech se z nich vybere nebo [[kombinov8n9 klasifik8tor;|zkombinuje]] výsledný klasifikátor a jeho chování na testovací množině určuje, spíš odhaduje/aproximuje, celkovou úspěšnost přístupu a chování na nových, neznámých datech.