Introducere în învățare supravegheată și învățare nesupravegheată
Învățarea supravegheată și învățarea nesupervizată sunt sarcini de învățare automată.
Învățarea supravegheată este pur și simplu un proces de algoritm de învățare din setul de date de instruire. Învățarea supravegheată este locul în care aveți variabile de intrare și o variabilă de ieșire și utilizați un algoritm pentru a învăța funcția de mapare de la intrare la ieșire. Scopul este aproximarea funcției de mapare, astfel încât atunci când avem date noi de intrare să putem prezice variabilele de ieșire pentru respectivele date.
Învățarea nesupravegheată modelează structura sau distribuția de bază sau ascunsă a datelor pentru a afla mai multe despre date. Învățarea nesupravegheată este aceea în care aveți doar date de intrare și nu aveți variabile de ieșire corespunzătoare.
Set de date de instruire: Un set de exemple utilizate pentru învățare, unde se cunoaște valoarea țintă.
Comparații de la cap la cap între învățarea supravegheată și învățarea nesupravegheată (infografie)
Mai jos se află prima comparație între învățarea supravegheată și învățarea nesupravegheată
Diferențe cheie între învățarea supravegheată și învățarea nesupravegheată
Mai jos sunt listele de puncte, descrieți despre diferențele cheie între învățarea supravegheată și învățarea nesupervizată
1. Algoritmii de învățare automată descoperă tiparele în datele mari. Acești algoritmi diferiți pot fi clasificați în două categorii pe baza modului în care „învață” despre date pentru a face predicții. Acestea sunt învățare supravegheată și nesupravegheată.
2. În învățarea supravegheată, omul de știință acționează ca un ghid pentru a învăța algoritmul cu ce concluzii sau predicții ar trebui să vină. În învățarea nesupravegheată nu există un răspuns corect, nu există un profesor, algoritmi sunt lăsați la propriu pentru a descoperi și prezenta structura ascunsă interesantă a datelor.
3. Modelul de învățare supravegheat va folosi datele de instruire pentru a învăța o legătură între intrare și rezultate.
4. Învățarea nesupravegheată nu utilizează date de ieșire. În cadrul învățării nesupravegheate, acestea nu vor fi identificate în prealabil, în timp ce în învățarea supravegheată vor avea acces la etichete și vor avea cunoștințe prealabile despre seturile de date
5. Învățare supravegheată: ideea este că formarea poate fi generalizată și că modelul poate fi folosit pe date noi cu o anumită precizie.
6. Algoritmi de învățare supravegheați: mașină de susținere a vectorului, regresie liniară și logistică, rețea neuronală, arbori de clasificare și pădure aleatoare etc.
7. Algoritmii nesupervizați pot fi împărțiți în diferite categorii: algoritmi de cluster, mijloace K, clustering ierarhic, algoritmi de reducere dimensională, detectări de anomalie etc.
8. Zona de clasificare și regresie algoritmi utilizați pe scară largă în învățarea supravegheată. Mașinile de asistență vectorială (SVM) sunt modele supravegheate de învățare automată cu algoritmi de învățare asociați, acestea putând fi utilizate atât în scopuri de clasificare cât și de regresie, dar mai ales utilizate pentru probleme de clasificare.
9. În modelul SVM, desenăm fiecare element de date ca un punct în spațiul n-dimensional, (unde n este caracteristicile pe care le avem), valorile fiecărei caracteristici fiind valoarea unei anumite coordonate. Apoi clasificarea s-a efectuat prin găsirea hiperplanului care diferențiază cele două clase.
10. Obiectivul principal al algoritmilor de regresie este de a prezice valoarea discretă sau continuă. În unele cazuri, valoarea prevăzută poate fi utilizată pentru a identifica relația liniară dintre atribute. Pe baza algoritmilor de regresie a diferenței de problemă pot fi folosiți. Unii dintre algoritmii de regresie de bază sunt regresia liniară, regresia polinomială etc.
11. Clusteringul este utilizat pe scară largă în învățarea nesupravegheată. Clustering-ul este sarcina de a împărți punctele de date în număr de grupuri, astfel încât aceleași puncte de trăsături vor fi împreună sub formă de cluster. Există mai mulți algoritmi de clustering; puține dintre ele sunt modele de conectivitate, modele centroid, modele de distribuție și modele de densitate.
12. Gruparea ierarhică face parte din învățare nesupravegheată. Gruparea ierarhică, după cum sugerează și numele este un algoritm care construiește ierarhia de clustere. Acest algoritm începe cu toate punctele de date alocate unui grup propriu. Apoi, două grupuri cele mai apropiate sunt contopite în același grup. În final, acest algoritm se încheie atunci când a mai rămas doar un singur cluster.
13.KMeans intră sub metoda de clustering nesupervizată. Datele vor fi partiționate în k cluster, pe baza caracteristicilor lor. Fiecare cluster este reprezentat prin centroidul său, definit ca centrul punctelor din cluster. KMeans este simplu și rapid, dar nu dă același rezultat cu fiecare rulare.
14. Pentru a înțelege mai bine învățarea supravegheată și învățarea nesupravegheată, să luăm exemple din viața reală. Învățare supravegheată: Să luăm ca exemplu una din funcționalitățile Gmail, care este un mail spam. Pe baza informațiilor anterioare despre e-mailurile spam, filtrarea unui nou e-mail primit în folderul Inbox sau folderul Junk. În acest scenariu, Gmail este modelat o funcție de mapare pentru a separa e-mailul primit pe baza cunoștințelor anterioare despre e-mailuri, aceasta este învățarea supravegheată.
15. Învățare supravegheată: Să presupunem că o prietenă te invită la petrecerea ei, unde întâlnești oameni noi. Acum le veți clasifica folosind cunoștințe prealabile (învățare nesupervizată) și această clasificare ar putea fi pe orice trăsătură. Ar putea fi grupa de vârstă, sexul, îmbrăcarea, calificarea educațională sau orice alt mod doriți. Întrucât nu ați utilizat nicio cunoștință prealabilă despre oameni și i-ați clasificat, aceasta se află sub învățare nesupervizată.
Tabelul de comparare a învățării supravegheate vs.
| Învățare supravegheată | Învățare nesupravegheată | |
|
Metodă | Vor fi date variabile de intrare și variabile de ieșire. | Numai datele de intrare vor fi date |
|
Poartă | Obiectivul de învățare supravegheat este de a determina funcția atât de bine încât, atunci când datele de intrare noi setate, pot prezice rezultatul. | Obiectivul de învățare nesupravegheat este modelarea modelelor ascunse sau a structurii subiacente din datele de intrare date, pentru a afla informații. |
|
Clasă | Probleme de învățare automată, minerit de date și rețea neuronală, | Învățare automată, extragere de date, probleme și rețea neuronală |
|
Exemple |
|
|
| Cine folosește | Cercetătorii de date | Cercetătorii de date |
|
Eco-sisteme |
Prelucrare de date mari, extragere de date etc | Prelucrare de date mari, extragere de date etc |
|
utilizări |
Învățarea supravegheată este adesea folosită pentru sisteme de export în recunoașterea imaginilor, recunoașterea vorbirii, previziune, analiză financiară și formare rețele neuronale și arbori de decizie etc | Algoritmii de învățare nesupervizați sunt folosiți pentru a prelucra în prealabil datele, în timpul analizei exploratorii sau pentru pre-instruirea algoritmilor de învățare supravegheată. |
Concluzie - Învățare supravegheată vs învățare nesupervizată
Alegerea de a folosi un algoritm de învățare automată supravegheat sau nesupravegheat depinde de obicei de factori legați de structura și volumul datelor dvs. și de cazul de utilizare. În realitate, de cele mai multe ori, oamenii de știință utilizează atât abordări de învățare supravegheată, cât și învățare nesupervizată pentru a rezolva cazul de utilizare.
Articol recomandat
Acesta a fost un ghid pentru Învățarea supravegheată vs Învățarea nesupravegheată, semnificația lor, Comparația dintre cap și cap, diferențele cheie, tabelul de comparație și concluzii. De asemenea, puteți consulta următoarele articole pentru a afla mai multe -
- Cea mai bună comparație între 7 învățare supravegheată și învățare de consolidare
- 5 Cea mai utilă diferență între știința datelor și învățarea mașinii
- Aflați cele mai bune 10 diferențe dintre harta Reduceți față de fire
- MapReduce vs Apache Spark - 20 de comparații utile de învățat
- Ce este învățarea de armare?