Machine learning: l' apprendimento supervisionato

L' approccio Machine Learning è quello maggiormente utilizzato quando si deve approssimare una funzione partendo da alcuni esempi di input-output e senza sapere quale sia la forma di questa funzione. Nel gergo delle reti neurali tale approccio prende il nome di apprendimento supervisionato. La funzione è infatti appresa imparando da un set di esempi che un ``addestratore'' fornisce. Questo set di esempi (il training set), contiene elementi che consistono di una coppia di valori della variabile indipendente (l' input) e la variabile dipendente (l' output). Ad esempio la variabile indipendente nelle relazione funzionale:

$$y = f(x)$$

è $x$ che è un vettore, mentre la variabile dipendente $y$ è generalmente uno scalare. Il valore della variabile $y$ dipende, attraverso la funzione $f$, dai singoli componenti della variabile $x$:

$$x = \left[ \begin{array}{c} x_1 \\ x_2 \\ \cdots \\ x_n \end{array} \right]$$

Il training set costituito da $p$ coppie di input-output conosciute, è rappresentabile con:

$$T = \left\{(x_i, y_i) \right\}_{i=1}^{p}$$

Nel problema della Classificazione (generica, e in quella di Testi in particolare come si vedrà in seguito) l' obbiettivo è quello di assegnare dei nuovi pattern alle rispettive classi, basandosi su esempi precedenti per ciascuna di esse.