Fő különbség - Felügyelt és felügyelet nélküli gépi tanulás
A felügyelt tanulás és a felügyelet nélküli tanulás a gépi tanulás két alapfogalma. A felügyelt tanulás egy olyan gépi tanulási feladat, amelynek során megtanulunk egy olyan funkciót, amely egy bemenetet egy kimenethez térképez be a bemeneti-kimeneti példák alapján. A felügyelet nélküli tanulás a Gépi tanulás feladata, hogy egy funkciót vezessen le a rejtett struktúra leíratlan adatokból történő leírására. A legfontosabb különbség a felügyelt és felügyelet nélküli gépi tanulás között az, hogy a felügyelt tanulás címkézett adatokat, míg a felügyelet nélküli tanulás címkézetlen adatokat használ.
A gépi tanulás egy olyan terület a számítástechnikában, amely lehetőséget ad arra, hogy a számítógépes rendszer kifejezetten programozás nélkül tanuljon az adatokból. Lehetővé teszi az adatok elemzését és a minták előrejelzését. A gépi tanulásnak számos alkalmazása van. Néhány közülük arcfelismerés, gesztusfelismerés és beszédfelismerés. Különböző algoritmusok kapcsolódnak a gépi tanuláshoz. Ezek egy része regresszió, osztályozás és klaszterezés. A gépi tanulás alapú alkalmazások fejlesztéséhez a leggyakoribb programozási nyelvek az R és a Python. Más nyelvek, például Java, C ++ és Matlab is használhatók.
TARTALOM
1. Áttekintés és legfontosabb különbségek
2. Mi a felügyelt tanulás
3. Mi a felügyelet nélküli tanulás
4. A felügyelt és felügyelet nélküli gépi tanulás hasonlóságai
5. Egymás mellett történő összehasonlítás - Felügyelt és felügyelet nélküli gépi tanulás táblázatos formában
6. Összefoglalás
Mi a felügyelt tanulás?
A gépi tanulás alapú rendszerekben a modell algoritmus szerint működik. A felügyelt tanulás során a modellt felügyelik. Először a modell kiképzésére van szükség. A megszerzett tudással meg tudja jósolni a válaszokat a jövőbeni esetekre. A modell betanítása egy címkézett adatkészlet segítségével történik. Ha mintán kívüli adatokat adnak a rendszernek, megjósolhatja az eredményt. Az alábbiakban egy kis kivonat található a népszerű IRIS adatkészletből.
A fenti táblázat szerint a Sepal hosszát, a Sepal szélességét, a Patel hosszát, a Patel szélességét és a fajait nevezik attribútumoknak. Az oszlopok jellemzőkként ismertek. Egy sor tartalmazza az összes attribútum adatait. Ezért az egyik sort megfigyelésnek nevezzük. Az adatok lehetnek numerikusak vagy kategorikusak. A modell megkapja a megfigyeléseket, a megfelelő fajnévvel. Új megfigyelés esetén a modellnek meg kell határoznia a fajok típusát, amelyekhez tartozik.
A felügyelt tanulásban vannak algoritmusok a besoroláshoz és a regresszióhoz. Az osztályozás a címkézett adatok osztályozásának folyamata. A modell olyan határokat hozott létre, amelyek elválasztották az adatkategóriákat. Ha új adatokat szolgáltat a modellnek, akkor kategorizálhat a pont létező helye alapján. A K-legközelebbi szomszédok (KNN) egy osztályozási modell. A k értékétől függően a kategória eldől. Például, ha k értéke 5, ha egy adott adatpont az A kategóriában nyolc és a B kategóriában hat adatpont közelében van, akkor az adatpont A kategóriába kerül.
A regresszió az a folyamat, amellyel megjósolják a korábbi adatok trendjét az új adatok eredményének megjóslásához. Regresszióban a kimenet egy vagy több folytonos változóból állhat. Az előrejelzés a legtöbb adatpontot lefedő vonallal történik. A legegyszerűbb regressziós modell a lineáris regresszió. Gyors és nem igényel olyan hangolási paramétereket, mint a KNN. Ha az adatok parabolikus trendet mutatnak, akkor a lineáris regressziós modell nem megfelelő.
Ez néhány példa a felügyelt tanulási algoritmusokra. Általában a felügyelt tanulási módszerekből származó eredmények pontosabbak és megbízhatóbbak, mivel a bemeneti adatok jól ismertek és címkézettek. Ezért a gépnek csak a rejtett mintákat kell elemeznie.
Mi az a felügyelet nélküli tanulás?
Felügyelet nélküli tanulás esetén a modellt nem felügyelik. A modell önmagában működik, hogy megjósolja az eredményeket. A gépi tanulási algoritmusok segítségével következtetéseket von le a címkézetlen adatokról. Általában a felügyelet nélküli tanulási algoritmusok nehezebbek, mint a felügyelt tanulási algoritmusok, mert kevés az információ. A klaszterezés a felügyelet nélküli tanulás egyik típusa. Alkalmazható algoritmusok segítségével az ismeretlen adatok csoportosítására. A k-átlag és a sűrűség-alapú klaszterezés két fürtözési algoritmus.
k-átlag algoritmus, k centroidot véletlenszerűen helyez el az egyes fürtökhöz. Ezután minden adatpontot a legközelebbi centroidhoz rendelünk. Az euklideszi távolságot használják az adatpont és a centroid közötti távolság kiszámításához. Az adatpontok csoportokba vannak sorolva. Újra kiszámoljuk a k centroidok helyzetét. Az új centroid helyzetet a csoport összes pontjának átlaga határozza meg. Ismét minden adatpontot a legközelebbi centroidhoz rendelünk. Ez a folyamat addig ismétlődik, amíg a centridák már nem változnak. A k-mean egy gyors fürtözési algoritmus, de nincs meghatározva a klaszterezési pontok inicializálása. Emellett a klaszterezési modellek nagy változata létezik a klaszterpontok inicializálása alapján.
Egy másik klaszterezési algoritmus a Density alapú fürtözés. Zaj sűrűség alapú térbeli klaszterező alkalmazások néven is ismert. Úgy működik, hogy meghatároz egy fürtöt, mint a sűrűséggel összekapcsolt pontok maximális halmazát. Két paramétert használnak a sűrűség alapú klaszterezéshez. Ezek Ɛ (epsilon) és minimális pontok. A Ɛ a környék legnagyobb sugara. A minimális pontok a legkisebb pontok száma a Ɛ környéken a fürt meghatározásához. Ez néhány példa a klaszterezésre, amely a felügyelet nélküli tanulásba esik.
Általában a felügyelet nélküli tanulási algoritmusokból származó eredmények nem túl pontosak és megbízhatóak, mert a rejtett minták és funkciók meghatározása előtt a gépnek meg kell határoznia és címkéznie a bemeneti adatokat.
Mi a hasonlóság a felügyelt és a felügyelet nélküli gépi tanulás között?
A felügyelt és a felügyelet nélküli tanulás is a gépi tanulás egyik típusa
Mi a különbség a felügyelt és a felügyelet nélküli gépi tanulás között?
Különböző cikk a táblázat előtt
Felügyelt vs felügyelet nélküli gépi tanulás |
|
| A felügyelt tanulás a gépi tanulás feladata, hogy megtanuljon egy olyan funkciót, amely bemenetet és kimenetet párosít az input-output párok alapján. | A felügyelet nélküli tanulás a Gépi tanulás feladata, hogy olyan funkciót vonjon le, amely leírja a rejtett struktúrát a címkézetlen adatokból. |
| Fő funkcionalitás | |
| A felügyelt tanulás során a modell a címkézett bemeneti adatok alapján jósolja az eredményt. | Felügyelet nélküli tanulás során a modell előrejelzi az eredményt címkézett adatok nélkül, a minták önálló azonosításával. |
| Az eredmények pontossága | |
| A felügyelt tanulási módszerek eredményei pontosabbak és megbízhatóbbak. | A felügyelet nélküli tanulási módszerek eredménye nem túl pontos és megbízható. |
| Fő algoritmusok | |
| Vannak algoritmusok a regresszióra és az osztályozásra a felügyelt tanulásban. | Vannak algoritmusok a felügyelet nélküli tanulás klaszterezéséhez. |
Összegzés - Felügyelt és felügyelet nélküli gépi tanulás
A felügyelt tanulás és a felügyelet nélküli tanulás a gépi tanulás két típusa. A felügyelt tanulás a gépi tanulás feladata, hogy megtanuljon egy olyan funkciót, amely bemenetet és kimenetet párosít az input-output párok alapján. A felügyelet nélküli tanulás a Gépi tanulás feladata, hogy olyan funkciót vonjon le, amely leírja a rejtett struktúrát a címkézetlen adatokból. A különbség a felügyelt és a felügyelet nélküli gépi tanulás között az, hogy a felügyelt tanulás címkézett adatokat használ, míg a felügyelet nélküli hajlítás címkézetlen adatokat használ.
