Felügyelt vs felügyelet nélküli tanulás: legfontosabb különbségek

Tartalomjegyzék:

Anonim

Mi az a felügyelt gépi tanulás?

A felügyelt tanulás során a gépet jól "felcímkézett " adatok felhasználásával oktatja . Ez azt jelenti, hogy néhány adatot már a helyes válasz megcímkézett. Összehasonlítható a szupervízor vagy a tanár jelenlétében zajló tanulással.

A felügyelt tanulási algoritmus címkézett képzési adatokból tanul, segít megjósolni az előre nem látható adatok kimenetelét. A pontos felügyelt gépi tanulás sikeres felépítése, méretezése és telepítése Az adattudományi modell időt és technikai szakértelmet igényel egy magasan képzett adattudósok csoportjától. Ezenkívül az adatkutatónak újjá kell építenie a modelleket, hogy megbizonyosodjon arról, hogy a megadott felismerések igazak maradnak-e az adatok változásáig.

Ebben az oktatóanyagban megtanulja

  • Mi az a felügyelt gépi tanulás?
  • Mi az a felügyelet nélküli tanulás?
  • Miért a felügyelt tanulás?
  • Miért nem felügyelt tanulás?
  • Hogyan működik a felügyelt tanulás?
  • Hogyan működik a felügyelet nélküli tanulás?
  • A felügyelt gépi tanulási technikák típusai
  • A felügyelet nélküli gépi tanulási technikák típusai
  • Felügyelt és felügyelet nélküli tanulás

Mi az a felügyelet nélküli tanulás?

A felügyelet nélküli tanulás egy gépi tanulási technika, ahol nincs szükség a modell felügyeletére. Ehelyett meg kell engednie, hogy a modell önállóan dolgozzon az információk felfedezéséhez. Főleg a címkézetlen adatokkal foglalkozik.

A felügyelet nélküli tanulási algoritmusok lehetővé teszik a felügyelt tanuláshoz képest összetettebb feldolgozási feladatok elvégzését. Bár a felügyelet nélküli tanulás kiszámíthatatlanabb lehet más természetes tanulási mély tanulási és megerősítő tanulási módszerekkel összehasonlítva.

Miért a felügyelt tanulás?

  • A felügyelt tanulás lehetővé teszi, hogy adatokat gyűjtsön, vagy előállítson egy adatkimenetet a korábbi tapasztalatok alapján.
  • Segít a teljesítmény kritériumok optimalizálásában a tapasztalatok felhasználásával
  • A felügyelt gépi tanulás segít megoldani a különböző típusú valós számítási problémákat.

Miért nem felügyelt tanulás?

Itt vannak a legfőbb okok a felügyelet nélküli tanulás használatára:

  • A felügyelet nélküli gépi tanulás mindenféle ismeretlen mintát talál az adatokban.
  • A felügyelet nélküli módszerek segítenek megtalálni azokat a funkciókat, amelyek hasznosak lehetnek a kategorizáláshoz.
  • Valós időben zajlik, így az összes bemeneti adatot elemezni és címkézni kell a tanulók jelenlétében.
  • Könnyebb a címkézetlen adatok beszerzése a számítógépről, mint a címkézett adatok, amelyek manuális beavatkozást igényelnek.

Hogyan működik a felügyelt tanulás?

Például egy gépet szeretne képezni, amely segít megjósolni, hogy meddig tart hazafelé a munkahelyéről. Itt kezdje meg egy címkézett adatkészlet létrehozásával. Ezek az adatok tartalmazzák

  • Időjárási viszonyok
  • A nap időszaka
  • Ünnepek

Ezek a részletek az Ön inputjai. A kimenet az az időtartam, amely az adott napon hazafelé tartott.

Ösztönösen tudod, hogy ha kint esik az eső, akkor tovább tart a hazautazás. De a gépnek adatokra és statisztikákra van szüksége.

Nézzük meg, hogyan fejleszthet egy felügyelt tanulási modellt ennek a példának, amely segít a felhasználónak meghatározni az ingázás idejét. Az első dolog, amire szükséged van, egy edzésadatkészlet. Ez az edzéskészlet tartalmazza az ingázás teljes idejét és a megfelelő tényezőket, például az időjárást, az időt stb. Ez az edzéskészlet alapján a gépe láthatja, hogy közvetlen összefüggés van az eső mennyisége és a hazaérkezéshez szükséges idő között.

Tehát megállapítja, hogy minél többet esik, annál tovább fog vezetni, hogy visszatérjen otthonába. Láthatja a kapcsolatot a munka elhagyása és az úton töltött idő között is.

Minél közelebb vagy 18 óráig, annál hosszabb idő telik el, mire hazaérsz. Előfordulhat, hogy a gép megtalálja a kapcsolatokat a címkézett adatokkal.

Ezzel kezdődik az adatmodell. Hatással van arra, hogy az eső hogyan befolyásolja az emberek vezetését. Azt is kezdi látni, hogy többen utaznak egy adott napszakban.

Hogyan működik a felügyelet nélküli tanulás?

Vegyük egy baba és a család kutyájának esetét.

Ismeri és azonosítja ezt a kutyát. Néhány héttel később egy családbarát hozza magával a kutyát, és megpróbál játszani a babával.

Baby nem látta korábban ezt a kutyát. De sok olyan tulajdonságot felismer (2 fül, szem, 4 lábon járás), mint a kedvtelésből tartott kutyája. Egy új állatot azonosít, mint egy kutyát. Ez a felügyelet nélküli tanulás, ahol nem tanítják, hanem megtanulják az adatokból (ebben az esetben a kutyára vonatkozó adatokból). Ha ez felügyelt tanulás lenne, a család barátja azt mondta volna a babának, hogy ez egy kutya.

A felügyelt gépi tanulási technikák típusai

Regresszió:

A regressziós technika egyetlen kimeneti értéket jósol meg edzésadatok felhasználásával.

Példa: A regresszió segítségével megjósolhatja a ház árát a képzési adatok alapján. A bemeneti változók a lokalitás, a ház mérete stb.

Osztályozás:

Az osztályozás a kimenet osztályon belüli csoportosítását jelenti. Ha az algoritmus két külön osztályba próbálja beírni a bemenetet, bináris osztályozásnak hívják. Több mint két osztály közötti választást többosztályos osztályozásnak nevezzük.

Példa : Annak meghatározása, hogy valaki lesz-e a hitel nemteljesítője.

Erősségek : A kimenetek mindig valószínűségi értelmezéssel rendelkeznek, és az algoritmus szabályozható a túlillesztés elkerülése érdekében.

Gyengeségek : A logisztikai regresszió alulteljesíthetõ, ha több vagy nem lineáris döntési határ van. Ez a módszer nem rugalmas, ezért nem ragadja meg a bonyolultabb kapcsolatokat.

A felügyelet nélküli gépi tanulási technikák típusai

A felügyelet nélküli tanulási problémák csoportosulási és társulási problémákra csoportosultak.

Csoportosítás

A klaszterezés fontos fogalom, ha a felügyelet nélküli tanulásról van szó. Főként egy struktúra vagy minta megkeresésével foglalkozik kategorizálatlan adatok gyűjteményében. A fürtözési algoritmusok feldolgozzák az adatait, és természetes fürtöket (csoportokat) keresnek, ha léteznek az adatokban. Azt is módosíthatja, hogy az algoritmusok hány klasztert azonosítsanak. Ez lehetővé teszi e csoportok részletességének beállítását.

Egyesület

Az asszociációs szabályok lehetővé teszik, hogy nagy adatbázisokban társításokat hozzon létre az adatobjektumok között. Ez a felügyelet nélküli technika a változók közötti izgalmas kapcsolatok felfedezéséről szól nagy adatbázisokban. Például azok, akik új otthont vásárolnak, nagy valószínűséggel vesznek új bútorokat.

Egyéb példák:

  • A rákos betegek egy alcsoportja a génexpressziós mérések alapján csoportosítva
  • Vásárlói csoportok böngészési és vásárlási előzményeik alapján
  • Filmcsoport a filmnézők által adott minősítés alapján

Felügyelt és felügyelet nélküli tanulás

Paraméterek Felügyelt gépi tanulási technika Felügyelet nélküli gépi tanulási technika
Folyamat Felügyelt tanulási modellben bemeneti és kimeneti változókat adunk meg. Felügyelet nélküli tanulási modellben csak bemenő adatokat adunk meg
Beviteli adat Az algoritmusokat címkézett adatok felhasználásával képzik ki. Algoritmusokat használnak olyan adatokkal szemben, amelyek nincsenek felcímkézve
Használt algoritmusok Támogatja a vektorgépet, a neurális hálózatot, a lineáris és logisztikai regressziót, a véletlenszerű erdőt és az osztályozási fákat. A felügyelet nélküli algoritmusok különféle kategóriákba sorolhatók: például klaszter algoritmusok, K-középértékek, hierarchikus fürtözés stb.
Számítási komplexitás A felügyelt tanulás egyszerűbb módszer. A felügyelet nélküli tanulás számítási szempontból bonyolult
Az adatok felhasználása A felügyelt tanulási modell a képzési adatok felhasználásával megismeri a kapcsolatot az input és output között. A felügyelet nélküli tanulás nem használja a kimeneti adatokat.
Az eredmények pontossága Nagyon pontos és megbízható módszer. Kevésbé pontos és megbízható módszer.
Valós idejű tanulás A tanulási módszer offline állapotban zajlik. A tanulási módszer valós időben zajlik.
Osztályok száma Az osztályok száma ismert. Az osztályok száma nem ismert.
Fő hátrány A nagy adatok osztályozása igazi kihívást jelenthet a felügyelt tanulásban. Nem lehet pontos információt szerezni az adatok rendezéséről, és a kimenet, mivel a felügyelet nélküli tanulásban használt adatok címkézve vannak és nem ismertek.

Összegzés

  • A felügyelt tanulás során a gépet jól "felcímkézett" adatok felhasználásával oktatja.
  • A felügyelet nélküli tanulás egy gépi tanulási technika, ahol nincs szükség a modell felügyeletére.
  • A felügyelt tanulás lehetővé teszi, hogy adatokat gyűjtsön, vagy előállítson egy adatkimenetet a korábbi tapasztalatok alapján.
  • A felügyelet nélküli gépi tanulás segít mindenféle ismeretlen minta megtalálásában az adatokban.
  • Például meghatározhatja a visszajutáshoz szükséges időt az időjárási viszonyok, a napszak és az ünnep alapján.
  • Például a Baby a korábbi felügyelt tanulás alapján képes azonosítani más kutyákat.
  • A regresszió és az osztályozás a felügyelt gépi tanulási technikák két típusa.
  • A klaszterezés és a társulás a felügyelet nélküli tanulás két típusa.
  • Felügyelt tanulási modellben az input és output változókat adják meg, míg a felügyelet nélküli tanulási modelleknél csak a bemeneti adatokat adják meg