Diferența dintre învățarea automată și analiza predictivă
Învățarea mașină este un domeniu în informatică, care este în continuă salt și legat în aceste zile. Progresul recent în tehnologiile hardware care a dus la o creștere masivă a puterii de calcul, cum ar fi GPU (unități de procesare grafică) și avansarea în rețelele neuronale, învățarea automată a devenit un cuvânt zgomotos. În esență, folosind tehnici de învățare automată, putem construi algoritmi pentru a extrage date și a vedea informații ascunse importante din acestea. Analiza predictivă este, de asemenea, o parte a domeniului de învățare automată, care este limitat să prezică rezultatul viitor din datele bazate pe tiparele anterioare. În timp ce analizele predictive au fost utilizate de mai bine de două decenii, în principal în sectorul bancar și financiar, aplicarea învățării automate a prins în ultimul timp cu algoritmi precum detectarea obiectelor din imagini, clasificarea textului și sistemele de recomandare.
Învățare automată
Învățarea mașină utilizează intern statistici, matematică și informatică pentru a construi logica algoritmilor care pot face clasificarea, predicția și optimizarea atât în timp real, cât și în modul de lot. Clasificare și regresie sunt două clase principale ale unei probleme în cadrul învățării automate. Haideți să înțelegem în detaliu atât Machine Learning, cât și Predictive Analytics.
Clasificare
Sub aceste găleți ale unei probleme, avem tendința de a clasifica un obiect bazat pe proprietățile sale diferite într-una sau mai multe clase. De exemplu, clasificarea unui client bancar pentru a fi eligibil pentru un împrumut la domiciliu sau nu pe baza istoricului său de credit. De obicei, am avea date tranzacționale disponibile pentru client, cum ar fi vârsta, venitul, pregătirea sa profesională, experiența sa de muncă, industria în care lucrează, numărul persoanelor dependente, cheltuielile lunare, împrumuturile anterioare, dacă există, modelul său de cheltuieli, istoricul creditului etc. și pe baza acestor informații, tindem să calculăm dacă ar trebui să i se acorde împrumut sau nu.
Există mulți algoritmi standard de învățare automată care sunt folosiți pentru a rezolva problema de clasificare. Regresia logistică este una dintre aceste metode, probabil cea mai utilizată pe scară largă și cea mai cunoscută, de asemenea cea mai veche. În afară de asta, avem și unele dintre cele mai avansate și complicate modele, de la arborele de decizie la pădurea la întâmplare, AdaBoost, boost XP, mașini de susținere, mașină naivă și rețea neuronală. Începând cu ultimii doi ani, învățarea profundă se desfășoară în prim plan. De obicei, pentru clasificarea imaginilor sunt utilizate rețele neuronale și învățare profundă. Dacă există sute de mii de imagini cu pisici și câine și doriți să scrieți un cod care să poată separa automat imaginile de pisici și câine, este posibil să doriți să utilizați metode de învățare profundă precum o rețea neuronală convolutivă. Lanterna, cafeneaua, fluxul de senzori etc. sunt câteva dintre bibliotecile populare din python pentru a învăța în profunzime.
Pentru a măsura exactitatea modelelor de regresie, se folosesc valori precum rata pozitivă falsă, rata fals-negativă, sensibilitatea etc.
regresiune
Regresia este o altă clasă de probleme în învățarea mașinii, unde încercăm să prezicem valoarea continuă a unei variabile în locul unei clase, spre deosebire de problemele de clasificare. Tehnicile de regresie sunt utilizate în general pentru a prezice prețul acțiunii unui stoc, prețul de vânzare al unei case sau mașini, o cerere pentru un anumit articol, etc. Când intră în joc și proprietățile din seria timpului, problemele de regresie devin foarte interesante de rezolvat. Regresia liniară cu un pătrat obișnuit este unul dintre algoritmii clasici de învățare automată din acest domeniu. Pentru modelul bazat pe serii de timp, se utilizează ARIMA, media în mișcare exponențială, media mobilă ponderată și media în mișcare simplă.
Pentru a măsura exactitatea modelelor de regresie, se folosesc metrici precum eroarea pătrată, eroarea medie pătrată absolută, eroarea pătrată de măsurare rădăcină etc.
Analize predictive
Există câteva domenii de suprapunere între învățarea automată și analiza predictivă. În timp ce tehnicile obișnuite, cum ar fi regresia logistică și liniară, aparțin atât învățării automate, cât și analiticii predictive, algoritmi avansați precum arborele de decizie, pădure aleatoare etc. Sub analize predictive, obiectivul problemelor rămâne foarte restrâns, în cazul în care intenția este de a calcula valoarea unei anumite variabile la un moment viitor. Analiza predicativă este încărcată în mare măsură de statistici, în timp ce învățarea automată reprezintă mai mult un amestec de statistici, programare și matematică. Un analist predictiv tipic își petrece timpul calculând t pătrat, f statistici, Innova, chi-pătrat sau obișnuit cel puțin pătrat. Întrebări cum ar fi dacă datele sunt în mod normal distribuite sau înclinate, dacă ar trebui să se folosească distribuția t a studentului sau să se folosească curba clopotelor, ar trebui luate alfa la 5% sau 10% bug-uri tot timpul. Îl caută pe diavol în detalii. Un inginer de învățare mașină nu se deranjează cu multe dintre aceste probleme. Durerea lor de cap este complet diferită, se găsesc blocați de îmbunătățirea preciziei, de minimizarea falsă-pozitivă, de manipulare exterioară, de normalizare a intervalului sau de validare de k.
Un analist predictiv folosește mai ales instrumente precum excel. Scenariul sau căutarea obiectivului sunt preferatele lor. Utilizează ocazional VBA sau micros și scriu cu greu niciun cod lung. Un inginer de învățare mașină își petrece tot timpul scriind cod complicat dincolo de înțelegerea obișnuită, el folosește instrumente precum R, Python, Saas. Programarea este munca lor majoră, remedierea erorilor și testarea pe diferite peisaje, o rutină zilnică.
Aceste diferențe aduc și o diferență majoră în cererea și salariul lor. În timp ce analiștii predictivi sunt atât de ieri, învățarea automată este viitorul. Un inginer tipic de învățare a mașinilor sau un om de știință de date (așa cum se numește mai ales în aceste zile) sunt plătiți cu 60-80% mai mult decât un inginer software sau un analist predictiv tipic pentru acea problemă și sunt motorul cheie în lumea actuală cu tehnologie. Uber, Amazon și acum autovehicule sunt, de asemenea, posibile din cauza lor.
Comparație dintre cap în cap între învățarea mașinii și analiza predictivă (infografie)
Mai jos se află prima 7 Comparație între învățarea automată și Analiza predictivă
Tabelul de comparare a analizei analitice în raport cu calculul predictiv
Mai jos este explicația detaliată a Machine Learning vs Analiza predictivă
| Învățare automată | Analize predictive |
| Este un termen general care cuprinde diverse sub-câmpuri, inclusiv analize predictive. | Poate fi tratat ca un sub-câmp al învățării automate. |
| Orientare intensă pe codare. | În mare parte, orientat la software standard, în cazul în care un utilizator nu are nevoie să codifice foarte mult |
| Se consideră că este generat din informatică, adică știința computerului poate fi tratată ca părinte aici. | Statisticile pot fi tratate ca părinți aici. |
| Este tehnologia de mâine. | Așa a fost ieri. |
| Este o mașină dominată de multe tehnici greu de înțeles, dar funcționează ca farmecul ca învățarea profundă. | Este dominat de utilizator cu tehnici care trebuie să fie intuitive pentru ca un utilizator să le înțeleagă și să le implementeze. |
| Se folosesc instrumente precum R, Python, SaaS. | Se folosesc Excel, SPSS, Minitab. |
| Este foarte larg și se extinde continuu. | Are un domeniu de aplicare și aplicare foarte limitat. |
Concluzie - Învățare automată față de analiză predictivă
Din discuțiile de mai sus, atât despre învățarea automată, cât și despre analiza predictivă, este clar că analiza predicativă este practic un sub-câmp al învățării automate. Învățarea automată este mai versatilă și este capabilă să rezolve o gamă largă de probleme.
Articol recomandat
Acesta a fost un ghid pentru învățarea mașinilor în raport cu analiza predictivă, semnificația lor, comparația dintre capete, diferențele cheie, tabelul de comparare și concluzii. De asemenea, puteți consulta următoarele articole pentru a afla mai multe -
- Aflați Big Data Vs Learning Machine
- Diferența dintre știința datelor și învățarea mașinii
- Comparație între analiza predictivă și știința datelor
- Data Analytics Vs Analiza predictivă - Care este util