Különbség a gépi tanulás és a prediktív elemzés között
A gépi tanulás egy olyan terület a számítástechnikában, amely ugrásszerűen növekszik és kötődik manapság. A hardver technológiákban a közelmúltban elért haladás eredményeként a számítási teljesítmény hatalmas mértékben megnőtt, például a GPU (grafikus feldolgozó egységek) és az ideghálózatok fejlődése, a gépi tanulás zümmögő szóvá vált. Alapvetően gépi tanulási technikák alkalmazásával algoritmusokat építhetünk az adatok kinyerésére és a fontos rejtett információk megjelenítésére. A prediktív elemzés szintén a gépi tanulási tartomány része, amely korlátozódik a korábbi mintákon alapuló adatok jövőbeni eredményének előrejelzésére. Míg a prediktív elemzést több mint két évtized óta használják elsősorban a banki és pénzügyi ágazatban, a gépi tanulás alkalmazása az utóbbi időben kiemelt figyelmet kapott olyan algoritmusokkal, mint a tárgyak felismerése a képekből, a szöveges osztályozás és az ajánlási rendszerek.
Gépi tanulás
A gépi tanulás a statisztikák, a matematika és a számítógépes tudomány alapjait használja az algoritmusok logikájának felépítéséhez, amelyek mind valós időben, mind kötegelt módban képesek osztályozást, előrejelzést és optimalizálást végezni. Az osztályozás és a regresszió a gépi tanulás során felmerülő probléma két fő osztálya. Megértjük a gépi tanulást és a prediktív elemzést egyaránt.
Osztályozás
A probléma e vödörjein belül egy objektumot hajlamosak egy vagy több osztályba osztályozni annak különféle tulajdonságai alapján. Például egy banki ügyfél besorolása lakáshitelre jogosultnak vagy nem hitelképességének alapján. Általában tranzakciós adatok állnak rendelkezésre az ügyfél számára, mint például életkor, jövedelem, iskolai végzettség, munkatapasztalat, ipar, amelyben dolgozik, az eltartottak száma, havi kiadások, korábbi hitelek, ha vannak, a kiadási szokások, a hitel története stb. és ezen információk alapján hajlamosak leszünk kiszámítani, hogy kölcsönt kapjon - e vagy sem.
Számos szabványos gépi tanulási algoritmus létezik, amelyeket az osztályozási probléma megoldására használnak. A logisztikus regresszió az egyik ilyen módszer, valószínűleg a legszélesebb körben alkalmazott és legjobban ismert, és a legrégebbi is. Ezen kívül van néhány, a legfejlettebb és bonyolultabb modell, kezdve a döntési fától a véletlenszerű erdőig, az AdaBoost, az XP boost, a támogató vektorgépek, a naiv befejezés és az idegi hálózat. Az elmúlt néhány év óta a mély tanulás élen jár. A képek osztályozásához általában neurális hálózatot és mély tanulást használnak. Ha százezer kép van macskákról és kutyákról, és olyan kódot szeretne írni, amely automatikusan elválasztja a macskák és kutyák képeit, érdemes mélyrehatóbb tanulási módszereket keresni, például egy konvolúciós idegi hálózatot. A zseblámpa, a kávézó, az érzékelő áramlása stb. A python egyik népszerű könyvtára, ahol mélyen tanulnak.
A regressziós modellek pontosságának mérésére olyan mutatókat használnak, mint a hamis pozitív arány, a hamis-negatív arány, az érzékenység stb.
Regresszió
A regresszió egy másik problémaosztály a gépi tanulásban, ahol megpróbáljuk megjósolni egy változó folyamatos értékét az osztály helyett, ellentétben a besorolási problémákkal. A regressziós technikákat általában alkalmazzák a részvények részvényárfolyamának, a ház vagy autó eladási árának, egy adott termék iránti keresletnek stb. Előrejelzésére. Amikor az idősor tulajdonságai is játékba kerülnek, a regressziós problémák megoldása nagyon érdekes. A lineáris regresszió a legkevesebb négyzettel a tartomány egyik klasszikus gépi tanulási algoritmusa. Az idősoros mintázathoz az ARIMA-t, az exponenciális mozgóátlagot, a súlyozott mozgóátlagot és az egyszerű mozgóátlagot kell használni.
A regressziós modellek pontosságának mérésére olyan mutatókat használunk, mint a négyzet hiba, az abszolút átlagos négyzet hiba, a gyökér mért négyzet hiba stb.
Prediktív elemzés
Vannak bizonyos területek átfedések a gépi tanulás és a prediktív elemzés között. Míg a közös technikák, például a logisztikai és a lineáris regresszió egyaránt vonatkoznak a gépi tanulásra és a prediktív elemzésre, addig az olyan fejlett algoritmusok, mint egy döntési fa, véletlenszerű erdő stb., Alapvetően gépi tanulás. A prediktív elemzésnél a problémák célja továbbra is nagyon szűk, ahol az a szándék, hogy kiszámítsák egy adott változó értékét egy jövőbeli időpontban. A prediktív analitika nagymértékben terheli a statisztikákat, míg a gépi tanulás inkább a statisztikák, a programozás és a matematika keveréke. Egy tipikus prediktív elemző az időt t négyzet, f statisztika, Innova, chi négyzet vagy rendes legkisebb négyzet számításával tölti. Olyan kérdésekre, mint például az adatok eloszlása vagy torzulása, ha a hallgatói t eloszlást vagy a haranggörbét kell használni, az alfa-értékeket mindig 5% -nak vagy 10% -nak kell tekinteni. Részletek keresik az ördögöt. A gépi tanulási mérnök nem zavarja ezeket a problémákat. Fejfájásuk teljesen más, úgy találják magukat, hogy javulnak a pontosság, a téves pozitív arány minimalizálása, a külső kezelés, a tartomány normalizálása vagy a kettős ellenőrzés.
A prediktív elemző többnyire olyan eszközöket használ, mint az Excel. A forgatókönyv vagy a célkeresés a kedvenceik. Időnként VBA-t vagy mikrot használnak, és alig írnak hosszabb kódot. A gépi tanulási mérnök minden idejét az összetett megértésen túl bonyolult kód írására tölti, olyan eszközöket használ, mint az R, Python, Saas. A programozás a legfontosabb munkájuk, a hibák kijavítása és a különféle tájakon való tesztelés napi rutin.
Ezek a különbségek szintén jelentős különbségeket mutatnak keresletükben és fizetésükben. Míg a prediktív elemzők tegnap olyanok, a gépi tanulás a jövő. Egy tipikus gépi tanulási mérnöknek vagy adattudósnak (ahogyan ezeket manapság leginkább nevezik) 60-80% -kal fizetnek többet, mint egy tipikus szoftvermérnöknek vagy prediktív elemzőnek, és ők a legfontosabb hajtóerők a mai technológiát támogató világban. Az Uber, az Amazon és az önálló vezetésű autók szintén csak ezek miatt képesek.
A fej-fej összehasonlítása a gépi tanulás és a prediktív elemzés között (Infographics)
Az alábbiakban a 7 legjobban összehasonlítható gépi tanulás és prediktív elemzés található
Gépi tanulás vs. prediktív elemzési összehasonlító táblázat
Az alábbiakban bemutatjuk a Gépi tanulás és a prediktív elemzés részleteit
| Gépi tanulás | Prediktív elemzés |
| Ez egy általános kifejezés, amely különféle almezőket foglal magában, ideértve a prediktív elemzést. | A gépi tanulás alterületének tekinthető. |
| Erősen kódolás orientált. | Elsősorban szabványos szoftver-orientált, ahol a felhasználónak nem kell saját magát kódolnia |
| Úgy ítélik meg, hogy a számítógépes tudományból származik, azaz a számítástechnika itt szülőként kezelhető. | A statisztika itt szülőként kezelhető. |
| Ez a holnap technológiája. | Tegnap van. |
| Ez egy olyan gép, amelyben sok technikát uralnak, amelyek nehezen érthetők, de olyan varázsa működnek, mint a mély tanulás. | A felhasználó által dominált technikák vannak, amelyeknek intuitívnak kell lenniük ahhoz, hogy a felhasználó megértse és megvalósítsa. |
| Olyan eszközöket használnak, mint az R, a Python, a SaaS. | Excel, SPSS, Minitab. |
| Nagyon széles és folyamatosan bővül. | Nagyon korlátozott hatályú és alkalmazható. |
Következtetés - Gépi tanulás és prediktív elemzés
A gépi tanulásról és a prediktív elemzésről szóló fenti megbeszélések alapján egyértelmű, hogy a prediktív elemzés alapvetően a gépi tanulás alterülete. A gépi tanulás sokoldalúbb, és sokféle probléma megoldására képes.
Ajánlott cikk
Ez egy útmutató a Géptanulás és a prediktív elemzéshez, azok jelentésének, a fej-fej összehasonlításának, a legfontosabb különbségeknek, az összehasonlító táblázatnak és a következtetéseknek. A következő cikkeket is megnézheti további információkért -
- Ismerje meg a Big Data Vs Machine Learning eszközt
- Az adattudomány és a gépi tanulás közötti különbség
- A prediktív elemzés és az adattudomány összehasonlítása
- Adatanalitika és a prediktív elemzés - melyik a hasznos