Q:
Waarom is datavisualisatie nuttig voor algoritmen voor machine learning?
EEN:De discipline van datavisualisatie geeft ons praktisch oneindige manieren om te laten zien wat er gebeurt met machine learning-algoritmen. Het is de moeite waard om na te denken over waarom datavisualisatie zo belangrijk is en waarom het zoveel creatieve kracht vrijmaakt voor zoveel mensen die betrokken raken bij machine-leerprocessen.
Om de waarde van datavisualisatie voor machinaal leren te begrijpen, bekijkt u een van de algoritmen die worden gebruikt om deze baanbrekende en innovatieve programma's te maken.
Een van de eenvoudigste is de beslissingsboom. Zonder in activeringsfuncties of verborgen lagen of iets dergelijks te komen, is de beslissingsboom eenvoudig sets van binaire knooppunten. Maar zelfs de eenvoudige beslissingsboom is erg moeilijk voor mensen om te beschrijven of over te schrijven. Het is veel eenvoudiger wanneer het wordt weergegeven op een scherm of op een pagina. Wanneer je elk knooppunt en zijn verbindingen met andere knooppunten ziet, wordt het hele ding meteen duidelijk.
Laten we nu een van de meest byzantijnse en uitgebreide typen algoritmen voor machine learning nemen: het neurale netwerk.
In sommige opzichten zijn neurale netwerken eigenlijk verzamelingen van algoritmen voor machine learning. De basisinstelling bestaat uit een invoerlaag, verborgen lagen en een uitvoerlaag. De activeringsfuncties helpen de individuele digitale neuronen om gewogen ingangen te verwerken.
Al deze items en al deze processen worden veel eenvoudiger verklaard door datavisualisatie dan via mondelinge of schriftelijke beschrijvingen. Je kunt zeggen dat een neuraal netwerk gewogen ingangen heeft die in een ingangslaag stromen, en dat ze samenvloeien in een verborgen laag en consolideren in een bepaalde uitgang, maar wanneer je een visuele figuur gebruikt om te laten zien hoe dit werkt, het menselijk oog en de mens brein grijpt daar op een veel directere en nuttigere manier op in.
In zekere zin kunt u de kracht van datavisualisatie zien, zelfs zonder rekening te houden met machine learning. In de tijd van lineair programmeren, gaven compilers en computertaalstudio's programmeurs de keuze om een stap-voor-stap testprogramma in te stellen waar ze de waarden van variabelen in kleine visuele vakken konden inspecteren. Nogmaals, dit hielp veel beter laten zien wat er in een uitvoering gebeurt dan alleen het doorlezen van een codebasis.
Machine learning is hyperintensief programmeren - het is probabilistisch programmeren en daarom helpt datavisualisatie ons echt om te weten wat er gebeurt met een bepaald algoritme of proces.
