機器學習訓練原理大揭秘：六步驟帶您快速了解監督式學習的訓練方法

機器學習在訓練方法分三大類，有監督式學習，非監督式學習，強化學習，而本篇文章則是要講解監督式學習的訓練方法。

何謂監督式學習呢？

監督式學習的意思是給定數據讓機器學習過程中，需要告訴機器標準解答，告訴它什麼是對的，才有辦法進行學習。因此，在數據當中，除了要給定資料特徵作為輸入以外，還要給定資料標籤作為輸出，而資料標籤指的就是標準解答。

到底我們要如何訓練監督式學習的模型呢？

以下為訓練監督式學習的六步驟。

步驟1:一開始須要取得數據，而數據當中須具備資料特徵與資料標籤。

資料特徵代表AI模型的輸入，資料標籤代表AI模型的輸出。

因為我們要從輸入預測輸出，所以通常輸出是讓模型預測的結果，而在訓練過程是代表標準答案，等於是先告訴AI這樣的輸入是對應這樣的輸出，在不斷透過學習，AI模型就可以抓到如何從輸入預測輸出的關鍵特徵。

步驟2:將整體數據切分為訓練數據與驗證數據以及測試數據。

訓練數據與驗證數據是在AI模型學習過程中會用到。

而測試數據則是讓AI模型訓練完成後，才會用到。

步驟3:輸入訓練與驗證數據讓AI模型學習。

訓練數據是讓AI模型學習，AI模型的權重就是依照這個訓練數據去進行尋找。

驗證數據是當AI模型學習到權重之後，用以驗證模型的一個步驟。

步驟4:觀察AI模型學習是否合理?

用訓練數據的資料特徵會讓AI模型預測得到一個輸出結果，而我們會將這個輸出結果與標準解答比較，這兩者之間的差距可以計算得到訓練的損失，其意義為代表機器在看過標準解答後有沒有學習好?訓練損失要低，才會代表機器在看過解答後有學起來。

此時還會用驗證數據的資料特徵讓AI模型預測得到一個輸出結果，我們會將輸出結果與標準解答做比較，這兩者之間的差距可以計算得到驗證的損失，其意義為因為AI模型並沒有看過驗證數據的解答去學習，此時就好像在對AI模型考試，如果表現不好，驗證損失高，則會代表機器並沒有學起來，它只是死記答案，並沒有真正融會貫通。因此，驗證損失預期也要低，才代表機器有真正學起來。

步驟5:用測試數據測試模型。

待AI模型訓練完成後，我們會輸入測試數據到AI模型中進行預測，進一步確認訓練完成的AI模型的表現如何?

步驟6:評估測試結果是否可行?

最後可將預測結果與標準答案比較，計算兩者之間的誤差，誤差小於一個範圍，才認為此AI模型是有訓練成功，針對不同數據具有預測能力。

[參考資料]:

1.快速反應機制─類神經網路

2.機器學習與人工神經網路(二)：深度學習(Deep Learning)

3.機器學習的衰頹興盛：從類神經網路到淺層學習

[相關文章]:

1.類神經網路(Deep neural network, DNN)介紹

2.類神經網路—揭開網路架構調整秘辛

3.類神經網路—啟動函數介紹

4.類神經網路—前向傳播法

5.類神經網路—反向傳播法(一): 白話文帶您了解反向傳播法

6.類神經網路—反向傳播法(二): 淺談梯度

7.類神經網路—反向傳播法(三): 五步驟帶您了解梯度下降法

8.類神經網路—反向傳播法(四): 揭開反向傳播法神秘面紗

9.機器學習訓練原理大揭秘：六步驟帶您快速了解監督式學習的訓練方法

10.類神經網路—反向傳播法(五): 用等高線圖讓您對學習率更有感

[延伸閱讀]:

1.卷積類神經網路(Convolution neural network,CNN)介紹

2.遞迴類神經網路(Recurrent neural network,RNN)介紹

3.淺談最近非常火紅的ChatGPT背後可能原理機制為何?