Diferența cheie – Învățare automată supravegheată versus nesupravegheată
Învățarea supravegheată și învățarea nesupravegheată sunt două concepte de bază ale învățării automate. Învățarea supravegheată este o sarcină de învățare automată de a învăța o funcție care mapează o intrare la o ieșire pe baza exemplelor de perechi intrare-ieșire. Învățarea nesupravegheată este sarcina de învățare automată de a deduce o funcție pentru a descrie structura ascunsă din datele neetichetate. Diferența cheie dintre învățarea automată supravegheată și nesupravegheată este că învățarea supravegheată folosește date etichetate, în timp ce învățarea nesupravegheată folosește date neetichetate.
Învățarea automată este un domeniu în informatică care oferă unui sistem informatic capacitatea de a învăța din date fără a fi programat în mod explicit. Permite analizarea datelor și prezicerea modelelor din acestea. Există multe aplicații ale învățării automate. Unele dintre ele sunt recunoașterea feței, recunoașterea gesturilor și recunoașterea vorbirii. Există diverși algoritmi legați de învățarea automată. Unele dintre ele sunt regresia, clasificarea și gruparea. Cele mai comune limbaje de programare pentru dezvoltarea aplicațiilor bazate pe învățarea automată sunt R și Python. Pot fi folosite și alte limbaje precum Java, C++ și Matlab.
Ce este învățarea supravegheată?
În sistemele bazate pe învățarea automată, modelul funcționează conform unui algoritm. În învățarea supervizată, modelul este supravegheat. În primul rând, este necesar să antrenați modelul. Cu cunoștințele acumulate, poate prezice răspunsuri pentru cazurile viitoare. Modelul este antrenat folosind un set de date etichetat. Atunci când sistemului i se oferă date fără eșantion, acesta poate prezice rezultatul. Urmează un mic extras din setul de date popular IRIS.
Conform tabelului de mai sus, lungimea sepalului, lățimea sepalului, lungimea patelului, lățimea rotulei și Speciile sunt numite atribute. Coloanele sunt cunoscute ca caracteristici. Un rând are date pentru toate atributele. Prin urmare, un rând se numește observație. Datele pot fi fie numerice, fie categorice. Modelul primește observațiile cu numele corespunzătoare speciei ca intrare. Când se face o nouă observație, modelul ar trebui să prezică tipul de specie căreia îi aparține.
În învățarea supravegheată, există algoritmi de clasificare și regresie. Clasificarea este procesul de clasificare a datelor etichetate. Modelul a creat limite care au separat categoriile de date. Atunci când modelului îi sunt furnizate date noi, acesta poate clasifica în funcție de locul în care există punctul. K-Nearest Neighbours (KNN) este un model de clasificare. În funcție de valoarea k, se decide categoria. De exemplu, când k este 5, dacă un anumit punct de date este aproape de opt puncte de date din categoria A și șase puncte de date din categoria B, atunci punctul de date va fi clasificat ca A.
Regresia este procesul de prezicere a tendinței datelor anterioare pentru a prezice rezultatul noilor date. În regresie, rezultatul poate consta din una sau mai multe variabile continue. Predicția se face folosind o linie care acoperă majoritatea punctelor de date. Cel mai simplu model de regresie este o regresie liniară. Este rapid și nu necesită parametri de reglare, cum ar fi în KNN. Dacă datele arată o tendință parabolică, atunci modelul de regresie liniară nu este potrivit.
Acestea sunt câteva exemple de algoritmi de învățare supravegheată. În general, rezultatele generate de metodele de învățare supravegheată sunt mai precise și mai fiabile, deoarece datele de intrare sunt bine cunoscute și etichetate. Prin urmare, aparatul trebuie să analizeze numai modelele ascunse.
Ce este învățarea nesupravegheată?
În învățarea nesupravegheată, modelul nu este supravegheat. Modelul funcționează singur, pentru a prezice rezultatele. Utilizează algoritmi de învățare automată pentru a ajunge la concluzii privind datele neetichetate. În general, algoritmii de învățare nesupravegheată sunt mai grei decât algoritmii de învățare supravegheată, deoarece există puține informații. Clusteringul este un tip de învățare nesupravegheată. Poate fi folosit pentru a grupa datele necunoscute folosind algoritmi. Gruparea k-media și bazată pe densitate sunt doi algoritmi de grupare.
Algoritmul k-mean, plasează k centroid aleatoriu pentru fiecare cluster. Apoi fiecare punct de date este atribuit celui mai apropiat centroid. Distanța euclidiană este utilizată pentru a calcula distanța de la punctul de date la centroid. Punctele de date sunt clasificate în grupuri. Pozițiile pentru k centroizi sunt calculate din nou. Noua poziție a centrului este determinată de media tuturor punctelor din grup. Din nou, fiecare punct de date este atribuit celui mai apropiat centroid. Acest proces se repetă până când centroizii nu se mai schimbă. k-mean este un algoritm de clustering rapid, dar nu există o inițializare specificată a punctelor de clustering. De asemenea, există o mare variație a modelelor de grupare bazate pe inițializarea punctelor cluster.
Un alt algoritm de grupare este gruparea bazată pe densitate. Este, de asemenea, cunoscut sub numele de Aplicații de clusterizare spațială bazată pe densitate cu zgomot. Funcționează prin definirea unui cluster ca setul maxim de puncte conectate de densitate. Sunt doi parametri utilizați pentru gruparea bazată pe densitate. Sunt Ɛ (epsilon) și puncte minime. Ɛ este raza maximă a cartierului. Punctele minime sunt numărul minim de puncte din vecinătatea Ɛ pentru a defini un cluster. Acestea sunt câteva exemple de grupare care se încadrează în învățarea nesupravegheată.
În general, rezultatele generate de algoritmii de învățare nesupravegheați nu sunt prea precise și de încredere, deoarece aparatul trebuie să definească și să eticheteze datele de intrare înainte de a determina modelele și funcțiile ascunse.
Care este asemănarea între învățarea automată supravegheată și nesupravegheată?
Atât învățarea supravegheată, cât și învățarea nesupravegheată sunt tipuri de învățare automată
Care este diferența dintre învățarea automată supravegheată și nesupravegheată?
Învățare automată supravegheată vs nesupravegheată |
|
| Învățarea supravegheată este sarcina de învățare automată de a învăța o funcție care mapează o intrare la o ieșire pe baza exemplelor de perechi intrare-ieșire. | Învățarea nesupravegheată este sarcina de învățare automată de a deduce o funcție pentru a descrie structura ascunsă din datele neetichetate. |
| Funcție principală | |
| În învățarea supravegheată, modelul prezice rezultatul pe baza datelor de intrare etichetate. | În învățarea nesupravegheată, modelul prezice rezultatul fără date etichetate, identificând singur modelele. |
| Acuratețea rezultatelor | |
| Rezultatele generate de metodele de învățare supravegheată sunt mai precise și mai fiabile. | Rezultatele generate din metodele de învățare nesupravegheate nu sunt prea precise și de încredere. |
| Algoritmi principali | |
| Există algoritmi pentru regresie și clasificare în învățarea supravegheată. | Există algoritmi de grupare în învățarea nesupravegheată. |
Rezumat – Învățare automată supravegheată versus nesupravegheată
Învățare supravegheată și Învățare nesupravegheată sunt două tipuri de învățare automată. Învățarea supravegheată este sarcina de învățare automată de a învăța o funcție care mapează o intrare la o ieșire pe baza exemplelor de perechi intrare-ieșire. Învățarea nesupravegheată este sarcina de învățare automată de a deduce o funcție pentru a descrie structura ascunsă din datele neetichetate. Diferența dintre învățarea automată supravegheată și nesupravegheată este că învățarea supravegheată folosește date etichetate, în timp ce învățarea nesupravegheată folosește date neetichetate.
