Bevezetés a felügyelt tanuláshoz és a felügyelet nélküli tanuláshoz
A felügyelt tanulás és a felügyelet nélküli tanulás gépi tanulási feladatok.
A felügyelt tanulás egyszerűen az algoritmus tanulási folyamata a képzési adatállományból. A felügyelt tanulás az, ahol bemeneti változók és kimeneti változók vannak, és algoritmust használva megismerheti a leképezési funkciót a bemenettől a kimenetig. A cél a leképezési függvény közelítése, hogy új bemeneti adatokkal megjósoljuk az adatok kimeneti változóit.
A nem felügyelt tanulás az adatok mögöttes vagy rejtett szerkezetét vagy eloszlását modellezi annak érdekében, hogy többet megtudhassunk az adatokról. A felügyelet nélküli tanulás az, ahol csak bemeneti adatok vannak, és nincs megfelelő kimeneti változó.
Képzési adatkészlet: A tanuláshoz használt példák, amelyeknél a célérték ismert.
Head-to-head összehasonlítások a felügyelt tanulás és a felügyelet nélküli tanulás között (infographics)
Az alábbiakban található a 7 legjobban összehasonlított kép a felügyelt tanulás és a felügyelet nélküli tanulás között
Főbb különbségek a felügyelt és a felügyelet nélküli tanulás között
Az alábbiakban felsoroljuk a pontok listáját, amelyek leírják a felügyelt tanulás és a felügyelet nélküli tanulás közötti főbb különbségeket
1. A gépi tanulási algoritmusok felismerik a nagy adatok mintáit. Ezeket a különféle algoritmusokat két kategóriába lehet sorolni az alapján, hogy „megismerik” az adatokat az előrejelzések készítéséhez. Ezeket felügyelt és felügyelet nélkül tanulják.
2. A felügyelt tanulásban a tudós útmutatóként szolgál arra, hogy megtanítsa az algoritmust, milyen következtetésekkel vagy előrejelzésekkel kell következtetnie. A felügyelet nélküli tanulásban nincs helyes válasz, nincs tanár, az algoritmusokat magukra hagyják, hogy felfedezzék és bemutatják az adatok érdekes rejtett szerkezetét.
3. A felügyelt tanulási modell a képzési adatokat fogja felhasználni a bemenetek és a kimenetek közötti kapcsolat megtanulására.
4. A felügyelet nélküli tanulás nem használja a kimeneti adatokat. Felügyelet nélküli tanulásban nem lesznek megjelölt előzetes tudásuk, míg a felügyelt tanulásban hozzáférhetnek a címkékhez és előzetes ismeretekkel rendelkeznek az adatkészletekről
5. Felügyelt tanulás: Az a gondolat, hogy a képzést általánosítani lehessen, és hogy a modell új adatokhoz felhasználható bizonyos pontossággal.
6. Felügyelt tanulási algoritmusok: Támogató vektorgép, Lineáris és logisztikai regresszió, Neurális hálózat, Osztályozó fák és véletlenszerű erdő stb.
7. A nem felügyelt algoritmusok különféle kategóriákba oszthatók: Klaszter algoritmusok, K-átlagok, Hierarchikus klaszterezés, Dimenziós redukciós algoritmusok, Anomáliadetektációk stb.
8. Az osztályozási és regressziós terület általánosan használt algoritmusok a felügyelt tanulásban. A támogató vektorgépek (SVM) felügyelt gépi tanulási modellek és a hozzájuk kapcsolódó tanulási algoritmusok, amelyek osztályozási és regressziós célokra egyaránt használhatók, de leginkább osztályozási problémákhoz.
9. Az SVM modellben az egyes adatelemeket n-dimenziós térbeli pontként ábrázoljuk (ahol n az a tulajdonság, amelyben megvan), az egyes elemek értékei egy adott koordináta értékét jelentik. Ezután a besorolást úgy hajtják végre, hogy megtalálják a hiper síkot, amely megkülönbözteti a két osztályt.
10.A regressziós algoritmusok fő célja a diszkrét vagy folytatódó érték előrejelzése. Bizonyos esetekben a becsült érték felhasználható az attribútumok közötti lineáris kapcsolat azonosítására. A problémakülönbség alapján regressziós algoritmusok használhatók. Az alapvető regressziós algoritmusok egyike a lineáris regresszió, a polinomiális regresszió stb.
11.A klaszterezést széles körben használják a felügyelet nélküli tanulásban. A csoportosítás feladata az adatpontok megosztása csoportokba úgy, hogy ugyanazok a tulajdonsági pontok együttesen legyenek klaszter formájában. Sokkal több klaszterezési algoritmus létezik; ezek közül néhány a Csatlakozási modellek, Centroid modellek, Distribution modellek és Sűrűség modellek.
12. A hierarchikus csoportosulás felügyelet nélküli tanulás alá tartozik. A hierarchikus klaszterezés, ahogy a neve is sugallja, egy algoritmus, amely felépíti a klaszterek hierarchiáját. Ez az algoritmus a saját fürthez rendelt összes adatponttal kezdődik. Ezután két legközelebbi klaszter egyesül ugyanazon klaszterbe. Végül ez az algoritmus akkor fejeződik be, ha csak egyetlen fürt maradt fenn.
13.KMeans felügyelet nélküli csoportosítási módszer alá tartozik. Az adatokat k fürtökre osztják, jellemzőik alapján. Az egyes klasztereket a középpontjuk szerint ábrázolja, amelyet a klaszterben lévő pontok középpontjaként határoznak meg. A KMeans egyszerű és gyors, de nem minden eredménynél ad ugyanazt az eredményt.
14.A felügyelt és a felügyelet nélküli tanulás jobb megértéséhez vegyünk példákat a valós életre. Felügyelt tanulás: Vegyük példaként a Gmail egyik funkcionalitását, amely egy spam levél. A spam e-mailekkel kapcsolatos korábbi információk alapján új bejövő e-mailek kiszűrése a Beérkező levelek mappába vagy a szemét mappába. Ebben a forgatókönyvben a Gmail egy leképezési függvényt modellez, amely a bejövő e-mailek elkülönítésére szolgál az e-mailekre vonatkozó előzetes ismeretek alapján, ez felügyelt tanulás.
15.Nem felügyelt tanulás: Tegyük fel, hogy egy barátja meghívja Önt partijára, ahol új emberekkel találkozik. Most előzetes ismeretek nélkül osztályozni fogja őket (felügyelet nélküli tanulás), és ez a besorolás bármilyen vonáson lehet. Lehet korcsoport, nem, öltözködés, végzettség vagy bármilyen módon. Mivel nem használt előzetes ismereteket az emberekről, és nem osztályozta őket, felügyelet nélküli tanuláshoz tartozik.
Felügyelt tanulás vs nem felügyelt tanulási összehasonlító táblázat
| Felügyelt tanulás | Nem felügyelt tanulás | |
|
Eljárás | A bemeneti és a kimeneti változókat megadjuk. | Csak bemeneti adatok kerülnek megadásra |
|
Cél | A felügyelt tanulási cél olyan jól meghatározni a funkciót, hogy az új bemeneti adatkészlet megadása esetén megjósolhassa a kimenetet. | A felügyelet nélküli tanulási cél az adott bemeneti adatok rejtett mintáinak vagy mögöttes struktúrájának modellezése az adatok megismerése érdekében. |
|
Osztály | Gépi tanulási problémák, adatbányászat és neurális hálózat, | Gépi tanulás, adatbányászat, problémák és neurális hálózat |
|
Példák |
|
|
| Ki használja | Adattudósok | Adattudósok |
|
Eco-rendszerek |
Nagy adatfeldolgozás, adatbányászat stb | Nagy adatfeldolgozás, adatbányászat stb |
|
felhasználások |
A felügyelt tanulást gyakran használják export rendszerekben a képfelismerés, a beszédfelismerés, az előrejelzés, a pénzügyi elemzés és az idegi hálózatok és döntési fák képzése terén stb. | Nem felügyelt tanulási algoritmusokat használunk az adatok előfeldolgozásához, feltáró elemzés során vagy előzetes vonatkozású felügyelt tanulási algoritmusokhoz. |
Következtetés - felügyelt tanulás vs nem felügyelt tanulás
A felügyelt vagy felügyelet nélküli gépi tanulási algoritmus használatának kiválasztása általában az adatok szerkezetéhez és mennyiségéhez, valamint a felhasználási esethez kapcsolódó tényezőktől függ. Valójában a legtöbb esetben az adattudósok mind a felügyelt tanulás, mind a felügyelet nélküli tanulás megközelítéseit alkalmazzák a használati eset megoldására.
Ajánlott cikk
Ez egy útmutató a Felügyelt tanulás és a felügyelet nélküli tanulás, azok jelentésének, a fej-fej összehasonlításnak, a legfontosabb különbségeknek, az összehasonlító táblázatnak és a következtetéseknek. A következő cikkeket is megnézheti további információkért -
- A 7 legjobb összehasonlítás a felügyelt tanulás és a megerősítő tanulás között
- 5 A leghasznosabb különbség az adattudomány és a gépi tanulás között
- Ismerje meg a 10 legjobb különbséget a térkép csökkentése és a fonalak között
- MapReduce vs Apache Spark - 20 hasznos összehasonlítás a tanuláshoz
- Mi az a megerősítéses tanulás?