Diferența Dintre învățarea Automată Supravegheată și Nesupravegheată

2024 Autor: Mildred Bawerman | [email protected]. Modificat ultima dată: 2023-12-16 08:41

Diferența cheie - Învățarea automată supravegheată vs nesupravegheată

Învățarea supravegheată și învățarea nesupravegheată sunt două concepte de bază ale învățării automate. Învățarea supravegheată este o sarcină de învățare automată a învățării unei funcții care mapează o intrare la o ieșire bazată pe exemplul de perechi intrare-ieșire. Învățarea fără supraveghere este sarcina de învățare automată a deducerii unei funcții pentru a descrie structura ascunsă din datele neetichetate. Diferența cheie între învățarea automată supravegheată și nesupravegheată este că învățarea supravegheată utilizează date etichetate, în timp ce învățarea nesupravegheată utilizează date neetichetate.

Învățarea automată este un domeniu în informatică care oferă posibilitatea unui sistem de calcul de a învăța din date fără a fi programat în mod explicit. Permite analiza datelor și prezicerea tiparelor din ele. Există multe aplicații ale învățării automate. Unele dintre ele sunt recunoașterea feței, recunoașterea gesturilor și recunoașterea vorbirii. Există diferiți 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 limbi, cum ar fi Java, C ++ și Matlab.

CUPRINS

1. Prezentare generală și diferența cheie

2. Ce este învățarea supravegheată

3. Ce este învățarea nesupravegheată

4. Asemănări între învățarea automată supravegheată și nesupravegheată

5. Comparație side by side - Învățarea automată supravegheată vs nesupravegheată în formă tabelară

6. Rezumat

Ce este învățarea supravegheată?

În sistemele bazate pe învățarea automată, modelul funcționează conform unui algoritm. În învățarea supravegheată, modelul este supravegheat. În primul rând, este necesar să se antreneze modelul. Cu cunoștințele acumulate, poate prezice răspunsuri pentru instanțele viitoare. Modelul este instruit folosind un set de date etichetat. Atunci când un sistem de date din eșantion este dat sistemului, acesta poate prezice rezultatul. Următorul este un mic extras din popularul set de date IRIS.

Conform tabelului de mai sus, lungimea separată, lățimea separată, lungimea patelului, lățimea patelului și speciile sunt numite atribute. Coloanele sunt cunoscute sub numele de caracteristici. Un rând are date pentru toate atributele. Prin urmare, un rând se numește observație. Datele pot fi numerice sau categorice. Modelului i se oferă observațiile cu numele speciei corespunzătoare ca intrare. Când se face o nouă observație, modelul ar trebui să prezică tipul de specie căreia îi aparține.

În învățarea supravegheată, există algoritmi pentru clasificare și regresie. Clasificarea este procesul de clasificare a datelor etichetate. Modelul a creat limite care separau categoriile de date. Când sunt furnizate date noi modelului, acesta poate clasifica în funcție de locul în care există punctul. K-Near 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 predicție a tendinței datelor anterioare de a prezice rezultatul noilor date. În regresie, ieșirea 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 precum în KNN. Dacă datele arată o tendință parabolică, atunci modelul de regresie liniară nu este potrivit.

Acestea sunt câteva exemple de algoritmi de învățare supravegheați. În general, rezultatele generate de metodele de învățare supravegheate sunt mai exacte și mai fiabile, deoarece datele de intrare sunt bine cunoscute și etichetate. Prin urmare, mașina trebuie să analizeze doar tiparele ascunse.

Ce este învățarea fără supraveghere?

În învățarea nesupravegheată, modelul nu este supravegheat. Modelul funcționează singur, pentru a prezice rezultatele. Folosește algoritmi de învățare automată pentru a ajunge la concluzii cu privire la datele neetichetate. În general, algoritmii de învățare nesupravegheați sunt mai duri decât algoritmii de învățare supravegheați, deoarece există puține informații. Clusterizarea este un tip de învățare nesupravegheată. Poate fi folosit pentru a grupa datele necunoscute folosind algoritmi. K-media și densitatea bazată pe cluster sunt doi algoritmi de clusterizare.

algoritmul k-mediu, plasează k centroid în mod 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 modifică. 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 de cluster.

Un alt algoritm de clusterizare este clusterizarea bazată pe densitate. Este, de asemenea, cunoscut sub numele de aplicații de clusterizare spațială bazate pe densitate cu zgomot. Funcționează prin definirea unui cluster ca set maxim de puncte conectate de densitate. Aceștia sunt doi parametri utilizați pentru clusterizarea bazată pe densitate. Sunt Ɛ (epsilon) și puncte minime. Ɛ este raza maximă a cartierului. Punctele minime sunt numărul minim de puncte din vecinătatea to pentru a defini un cluster. Acestea sunt câteva exemple de grupare care se încadrează în învățarea nesupravegheată.

În general, rezultatele generate de algoritmi de învățare nesupravegheați nu sunt prea exacte și fiabile, deoarece aparatul trebuie să definească și să eticheteze datele de intrare înainte de a determina tiparele și funcțiile ascunse.

Care este asemănarea dintre învățarea automată supravegheată și nesupravegheată?

Atât învățarea supravegheată, cât și cea nesupravegheată sunt tipuri de învățare automată

Care este diferența dintre învățarea automată supravegheată și nesupravegheată?

Difuzarea articolului din mijloc înainte de tabel

Învățare automată supravegheată vs nesupravegheată
Învățarea supravegheată este sarcina de învățare automată a învățării unei funcții care mapează o intrare la o ieșire bazată pe exemple de perechi intrare-ieșire.	Învățarea fără supraveghere este sarcina de învățare automată de a deduce o funcție pentru a descrie structura ascunsă din datele neetichetate.
Funcționalitatea principală
În învățarea supravegheată, modelul prezice rezultatul pe baza datelor de intrare etichetate.	În învățarea nesupravegheată, modelul prezice rezultatul fără date etichetate, identificând tiparele pe cont propriu.
Acuratețea rezultatelor
Rezultatele generate de metodele de învățare supravegheate sunt mai exacte și mai fiabile.	Rezultatele generate de metodele de învățare nesupravegheate nu sunt prea exacte și fiabile.
Algoritmi principali
Există algoritmi pentru regresie și clasificare în învățarea supravegheată.	Există algoritmi pentru gruparea în învățarea nesupravegheată.

Rezumat - Învățare automată supravegheată vs nesupravegheată

Învățarea supravegheată și învățarea nesupravegheată sunt două tipuri de învățare automată. Învățarea supravegheată este sarcina de învățare automată a învățării unei funcții care mapează o intrare la o ieșire bazată pe exemple de perechi intrare-ieșire. Învățarea fără supraveghere 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 utilizează date etichetate, în timp ce înclinarea nesupravegheată utilizează date neetichetate.