Aprendizagem Supervisionada

Aprendizagem Supervisionada 
No aprendizado de máquina e na mineração de dados, o aprendizado supervisionado é 
uma técnica para inferir uma função a partir dos dados de treinamento. Os dados de 
treinamento consistem em pares de objetos (geralmente vetores): um componente do par 
são os dados de entrada e o outro são os resultados desejados. 
 
A saída da função pode ser um valor numérico (como em problemas de regressão) ou um 
rótulo de classe (como em problemas de classificação) O objetivo do aprendizado 
supervisionado é criar uma função capaz de prever o valor correspondente a qualquer 
objeto de entrada válido após a visualização de uma série de exemplos, os dados de 
treinamento. Para fazer isso, você precisa generalizar a partir dos dados apresentados para 
situações nunca vistas anteriormente. 
A aprendizagem supervisionada pode gerar modelos de dois tipos. Geralmente gera uma 
função que transforma os dados de entrada nos resultados desejados. 
Para resolver um certo problema de aprendizagem supervisionada (por exemplo, aprender 
a reconhecer a escrita à mão), é necessário considerar várias etapas: 
• Determine o tipo de exemplos de treinamento. Antes de fazer qualquer outra coisa, 
você deve decidir que tipo de dados usar para treinar o modelo. Por exemplo, pode 
ser um único caractere de escrita à mão, uma palavra inteira escrita à mão ou uma 
linha inteira de escrita à mão. 
• Monte um conjunto de treinamento. O conjunto de treinamento precisa das 
características do uso da função no mundo real. Assim, um conjunto de objetos de 
entrada é coletado e as saídas correspondentes também são coletadas, tanto 
humanas quanto de medições especializadas. 
• Determine a função de entrada a partir da representação da função aprendida. A 
precisão da função aprendida é altamente dependente de como o objeto de entrada 
é representado. Normalmente, o objeto de entrada é transformado em um vetor de 
recursos, que contém uma série de recursos que são descritivos do objeto. O 
número de recursos não deve ser muito grande, por causa da maldição da 
dimensionalidade, mas deve ser grande o suficiente para prever com precisão a 
saída. 
• Determine a estrutura da função apropriada para resolver e o problema e a técnica 
de aprendizagem correspondente. Por exemplo, você pode escolher usar uma rede 
neural artificial ou uma árvore de decisão. 
• Conclua o design. O engenheiro então executa o algoritmo de aprendizagem em 
todo o treinamento obtido. Os parâmetros do algoritmo de aprendizagem podem 
ser ajustados otimizando o desempenho em um subconjunto deles (chamado de 
conjunto de validação) do conjunto de treinamento ou por validação cruzada. 
Após a configuração e aprendizagem dos parâmetros, o desempenho do algoritmo 
pode ser medido usando um conjunto de testes independente do treinamento. 
Outro termo para aprendizagem supervisionada é classificação. Uma ampla variedade de 
classificadores está disponível, cada um com seus pontos fortes e fracos. O desempenho 
do classificador é altamente dependente das características dos dados a serem 
classificados. Não existe uma classificação única que funcione melhor em todos os 
problemas dados, o que também é conhecido como Teorema Sem Almoço Grátis. Vários 
testes empíricos foram realizados para comparar o desempenho do classificador e 
encontrar as características dos dados que determinam o desempenho do classificador. 
Determinar um classificador adequado para um determinado problema, porém ainda mais 
uma arte do que uma ciência.