Gépi tanulás alapjai az adatelemzéshez

Mi a gépi tanulás?

A gépi tanulás (machine learning, ML) az alkalmazott matematika és a számítástechnika határterületén mozgó módszertan: az algoritmusok adatokból tanulnak, ahelyett hogy explicit programozási utasításokat követnének. A rendszer a tanulási folyamat során statisztikai paramétereket finomhangol annak érdekében, hogy a predikció vagy az osztályozás hibája minimalizálódjon.

A gépi tanulás nem azonos a mesterséges intelligenciával: az ML annak egy részdiszciplínája, amelyen belül az adatvezérelt tanulás áll a középpontban. A prediktív analitika kontextusában az ML-módszerek különösen ott érvényesülnek, ahol az összefüggések komplexek, nemlineárisak, vagy az adatok dimenziószáma magas.

Felügyelt tanulás

A felügyelt tanulásban (supervised learning) minden tanítóadat rendelkezik ismert, előre megjelölt kimenettel (label). Az algoritmus ezekből az input–output párokban szereplő összefüggéseket tanulja meg, majd ismeretlen bemenetekre is képes előrejelzést adni.

Osztályozás

Az osztályozási feladatokban a kimenet kategoriális – például: fizetésképtelen/nem fizetésképtelen, spam/nem spam, megbetegedett/egészséges. Leggyakrabban alkalmazott algoritmusok:

• K-legközelebbi szomszéd (KNN) – az ismeretlen pontot a tanítóadatok legközelebbi k szomszédjának osztályalapján sorolja be
• Támogató vektorgépek (SVM) – optimális elválasztó hipersíkot keres, amely maximalizálja az osztályok közötti margót
• Neurális hálók – rétegelt architektúrában komplex mintázatokat tanulnak; mély hálók (deep learning) képes-, hang- és szöveges adatokon kiemelkedő teljesítményt nyújtanak

Regresszió

A regressziós feladatokban a kimenet folytonos numerikus érték. Egy neurális hálós regressziós modell például előre jelezheti egy ingatlan értékét a helyszín, méret, elhelyezkedés és egyéb jellemzők alapján.

Felügyelet nélküli tanulás

A felügyelet nélküli tanulásban (unsupervised learning) az adatokhoz nem áll rendelkezésre előzetesen megjelölt kimenet. Az algoritmus önállóan tárja fel a belső struktúrát, csoportokat és mintázatokat.

Klaszterezés

A klaszterezési módszerek hasonló adatpontokat csoportosítanak. A k-means algoritmus k darab klasztert keres úgy, hogy az egyes klaszterek belső variabilitása minimális legyen. Üzleti alkalmazásként például vásárlói szegmensek azonosíthatók vásárlási előzmények alapján.

Dimenziószám-csökkentés

Sok jellemzőt tartalmazó adatkészleteknél a dimenziószám-csökkentés (dimensionality reduction) megőrzi a lényeges információt, miközben kezelhető méretűre csökkenti az adatteret. A Főkomponens-analízis (PCA) lineáris transzformációval new ortogonális jellemzőket hoz létre, amelyek a variancia legnagyobb részét megmagyarázzák.

A PCA alapelvét Harold Hotelling dolgozta ki 1933-ban; máig az egyik legelterjedtebb dimenziócsökkentési technika az adatelemzésben.

Megerősítéses tanulás

A megerősítéses tanulásban (reinforcement learning) egy ágens egy környezetben döntéssorozatot hoz meg, és visszacsatolásként jutalmakat vagy büntetéseket kap. Ez a paradigma logisztikai útvonaltervezési, energiagazdálkodási és ajánlórendszer-feladatoknál alkalmazható.

Neurális hálók és mély tanulás

A mesterséges neurális hálók (artificial neural networks, ANN) az emberi agy neuronjait utánzó számítási egységekből állnak. Egy háló bemeneti, rejtett és kimeneti rétegekből épül fel; a rejtett rétegek száma határozza meg a mélységet (innen a „deep learning" elnevezés).

A backpropagation algoritmus a hálót a predikciós hiba gradiense alapján hangol. Nagy dimenziójú adatokon – képfelismerés, természetes nyelvfeldolgozás – a mély neurális hálók teljesítménye meghaladja a hagyományos módszerekét.

Implementációs keretrendszerek

Python ökoszisztémában a legelterjedtebb ML-könyvtárak:

• scikit-learn – hagyományos ML algoritmusok, adatelőkészítés, modellértékelés
• XGBoost, LightGBM – nagy teljesítményű gradiens erősítés
• TensorFlow, PyTorch – mély neurális hálók, GPU-gyorsítással
• statsmodels – statisztikai modellek, idősor-analízis

A scikit-learn dokumentációja egységes API-t biztosít, és részletes példák segítségével mutatja be a legtöbb ML-folyamatot.

Alkalmazási feltételek

A gépi tanulási modellek nem minden helyzetben alkalmazhatók eredményesen. Fontos előfeltételek:

1. Elegendő mennyiségű adat – különösen mély hálók esetén
2. Reprezentatív tanítóadatok – a tanítóhalmaz torzítása a modell torzítását okozza
3. Alacsony zajszint – rendszerszintű mérési hibák csökkentik a modell pontosságát
4. Stacionárius adateloszlás – ha az adateloszlás időben változik (concept drift), a modellt periodikusan frissíteni kell

Utolsó frissítés: 2026. június 9.