Supervised learning — klassifikation og regression

It A · STX · A-niveau · AI og maskinlæring

💻 Supervised learning — klassifikation og regression

Maskinlæring er systemer der lærer mønstre fra data uden eksplicit programmering.

Supervised learning: modellen trænes på labelled data (input-output par).

To opgavetyper: Klassifikation: output er en diskret kategori. Binær: spam/ikke-spam. Multi-klasse: håndskrevet cifre (0-9). Algoritmer: logistisk regression, decision trees, random forests, SVM, neural netværk.

Regression: output er et kontinuert tal. Lineær regression: ŷ = w₀ + w₁x₁ + ... + wₙxₙ. Polynomial, Ridge, Lasso regression.

Evalueringsmetrikker (klassifikation): accuracy (korrekte/total), precision (TP/(TP+FP)), recall (TP/(TP+FN)), F1-score (harmonisk gennemsnit af precision og recall), AUC-ROC. (Regression): MAE, MSE, RMSE, R².

Train-test split (70/30 eller 80/20): undgå data leakage.

Krydsvalidering (K-fold): mere robust evaluering.

Overfitting: modellen memorerer træningsdata — for dårlig generalisering. Regularisering (L1/L2), dropout i NN, mindre kompleks model.

Feature engineering: normalisering/standardisering, one-hot encoding af kategoriske variabler.

Læringsmål

• Redegøre for forskellen mellem klassifikation og regression
• Give eksempler på problemstillinger der løses med supervised learning
• Forklare hvordan en model trænes på mærkede data

Sådan kan du arbejde med emnet

• Forklar, hvad der er forskellen på et klassifikations- og et regressionsproblem med et eksempel
• Implementér en simpel lineær regression i Python med scikit-learn og visualisér resultatet
• Diskutér, hvad overfitting er, og hvad du kan gøre for at undgå det

Arbejd iterativt med prototyper og dokumentation. Test, evaluér og dokumentér.