选择合适的模型后，您需练。在此步骤中，模型将学习如何将输入数据映射到它应该给出的输出。
首先，模型会随机调整参数，根据这些随机参数做出预测，然后与实际输出进行比较，如果预测与输出相差较大，则不准确。
回到图像识别示例，模型将分析每张图像并根据像素值设置随机参数。
例如，它可能认为棕色像素的百分比是一个有用 WhatsApp数据 的参数，并将其与数十或数百个其他参数一起使用来尝试预测哪些图像是狗。
然后将预测结果与真实标签进行比较，无论它是不是狗。然后对参数进行微调，使其更加准确。也许它需要考虑较小比例的棕色像素。
该模型将重复此过程数百次，直到其预测每 2025 年十大 Ada 替代品 次都与输出紧密匹配。
步骤 4：评估
训练完成后，您需要确定模型在实际场景中的有效性。为此，您必须使用训练阶段未使用的新数据来测试模型。一旦模型生成预测，您就可以使用关键指标来衡量模型的准确性。
以下是数据验证的一个例子。假设你已经训练了一个模 购买线索 型来将图像分类为“狗”或“非狗”，你可以通过测量以下数量来测试其性能：
-
真阳性（狗图像被正确标要使用 记为狗图像）
-
误报（非狗图像被错误地标记为狗）
-
真阴性（非狗图像被正确标记为非狗）
-
假阴性（狗图像被错误地标记为非狗）
不同的问题需要不同的指标，因此选择能够反映您的特定任务的指标至关重要。
如果模型运行良好并满足您的要求，您可以开始使用它。但是，观察其性能并检查是否存在偏差或错误预测非常重要。由于数据趋势的演变，它可能会随着时间的推移变得不那么有效。
推荐阅读
展望 CRM 的未来及其对业务的影响
机器学习的 3 种主要类型是什么？
机器学习算法有几十种，每种算法都有其独特的优点和缺点。以下是三种主要的机器学习方法：
1. 监督机器学习
在监督学习模型中，你为算法提供标记数据集和正确答案。然后算法会不断尝试预测更接近正确答案，每次都会改变方法。
首先，你要标记要输入到模型中的数据。如果你正在创建垃圾邮件过滤器，你的标记数据将包括垃圾邮件和普通电子邮件。然后，模型会练习识别此数据集中的垃圾邮件，直到它非常擅长识别为止。
监督学习算法的示例包括：
-
线性回归模型。一种关系 要使用 的学习方法，呈直线进行（例如，当卧室数量增加时，房价预测会上涨）。
-
逻辑回归模型。关系为二元关系（例如，结果是“是/否”或“真/假”）的模型。
-
决策树。一种通过学习从数据特征中收集的简单决策规则进行预测的学习方法，类似于流程图。例如，随机森林模型使用多个决策树来获得更准确的预测。
-
支持向量机(SVM)。一种将数据分为几类的机器学习模型。