Kľúčový rozdiel - supervidované a nekontrolované strojové učenie
Učenie pod dohľadom a učenie bez dozoru sú dva základné pojmy strojového učenia. Supervised Learning je úloha strojového učenia, ktorá spočíva v učení sa funkcie, ktorá mapuje vstup na výstup na základe príkladných párov vstup-výstup. Neupravené učenie je úlohou strojového učenia odvodiť funkciu na opísanie skrytej štruktúry z neoznačených údajov. Kľúčový rozdiel medzi strojovým učením pod dohľadom a bez dozoru je v tom, že kontrolované učenie používa označené údaje, zatiaľ čo nekontrolované učenie používa neoznačené údaje.
Machine Learning je odbor v oblasti informatiky, ktorý dáva počítačovému systému možnosť učiť sa z údajov bez toho, aby bol výslovne programovaný. Umožňuje analyzovať údaje a predpovedať vzory v nich. Existuje veľa aplikácií strojového učenia. Niektoré z nich sú rozpoznávanie tváre, rozpoznávanie gest a reči. So strojovým učením súvisia rôzne algoritmy. Niektoré z nich sú regresia, klasifikácia a zhlukovanie. Najbežnejším programovacím jazykom na vývoj aplikácií založených na strojovom učení je R a Python. Môžu sa použiť aj iné jazyky ako Java, C ++ a Matlab.
OBSAH
1. Prehľad a kľúčový rozdiel
2. Čo je
supervidované učenie 3. Čo je supervidované učenie
4. Podobnosti medzi supervidovaným a nekontrolovaným strojovým učením
5. Porovnanie vedľa seba - supervidované vs nekontrolované strojové učenie v tabuľkovej forme
6. Zhrnutie
Čo je to supervidované učenie?
V systémoch založených na strojovom učení model pracuje podľa algoritmu. V rámci supervidovaného učenia je supervidovaný model. Najskôr je potrebné trénovať model. Na základe získaných znalostí dokáže predpovedať odpovede pre budúce prípady. Model sa trénuje pomocou označeného súboru údajov. Ak systém dostane údaje zo vzorky, môže predvídať výsledok. Nasleduje malý výťah z populárneho súboru údajov IRIS.
Podľa tabuľky vyššie sa tieto atribúty nazývajú Sepal length, Sepal width, Patel length, Patel width a Species. Stĺpce sú známe ako prvky. Jeden riadok obsahuje údaje pre všetky atribúty. Preto sa jeden riadok nazýva pozorovanie. Údaje môžu byť číselné alebo kategorické. Modelu sa poskytujú pozorovania s príslušným názvom druhu ako vstupom. Pri novom pozorovaní by mal model predvídať typ druhov, ku ktorým patrí.
V rámci supervidovaného učenia existujú algoritmy klasifikácie a regresie. Klasifikácia je proces klasifikácie označených údajov. Model vytvoril hranice, ktoré oddeľovali kategórie údajov. Keď sú modelu poskytnuté nové údaje, je možné ich kategorizovať podľa toho, kde bod existuje. K-Nearest Neighbors (KNN) je klasifikačný model. Podľa hodnoty k sa rozhodne o kategórii. Napríklad, keď k je 5, ak je konkrétny údajový bod blízko k ôsmim údajovým bodom v kategórii A a šiestim údajovým bodom v kategórii B, bude údajový bod klasifikovaný ako A.
Regresia je proces predikcie trendu predchádzajúcich údajov s cieľom predpovedať výsledok nových údajov. Pri regresii môže výstup pozostávať z jednej alebo viacerých spojitých premenných. Predikcia sa vykonáva pomocou čiary, ktorá pokrýva väčšinu údajových bodov. Najjednoduchší regresný model je lineárna regresia. Je rýchly a nevyžaduje vyladenie parametrov, ako napríklad v KNN. Ak dáta ukazujú parabolický trend, potom lineárny regresný model nie je vhodný.
Tu je niekoľko príkladov algoritmov učeného pod dohľadom. Výsledky generované metódami učenia sa pod dohľadom sú vo všeobecnosti presnejšie a spoľahlivejšie, pretože vstupné údaje sú dobre známe a označené. Preto musí stroj analyzovať iba skryté vzory.
Čo je to učenie bez dozoru?
Pri učení bez dozoru nie je model pod dohľadom. Model pracuje samostatne, aby predpovedal výsledky. Na dochádzanie k záverom o neoznačených dátach používa algoritmy strojového učenia. Všeobecne sú algoritmy učenia bez dozoru ťažšie ako algoritmy učenia pod dohľadom, pretože existuje málo informácií. Klastrovanie je typ učenia bez dozoru. Môže sa použiť na zoskupenie neznámych údajov pomocou algoritmov. Stredná hodnota k a stredná hustota sú dva klastrové algoritmy.
k-stredný algoritmus, umiestni k centroid náhodne pre každý klaster. Potom je každý údajový bod priradený k najbližšiemu ťažisku. Euklidovská vzdialenosť sa používa na výpočet vzdialenosti od údajového bodu k ťažisku. Údajové body sú rozdelené do skupín. Pozície pre k centroidy sa vypočítajú znova. Nová poloha ťažiska je určená priemerom všetkých bodov v skupine. Každý dátový bod je opäť priradený k najbližšiemu ťažisku. Tento proces sa opakuje, až kým sa centroidy už nezmenia. k-mean je algoritmus rýchleho vytvárania klastrov, ale neexistuje špecifikovaná inicializácia klastrových bodov. Existuje tiež veľká variabilita klastrových modelov založených na inicializácii klastrových bodov.
Ďalším klastrovým algoritmom je klastrovanie založené na hustote. Je tiež známy ako aplikácie založené na hustote priestorového klastrovania s hlukom. Funguje to tak, že sa klaster definuje ako maximálna sada pripojených bodov hustoty. Sú to dva parametre používané pre klastrovanie na základe hustoty. Sú to Ɛ (epsilon) a minimum bodov. Ɛ je maximálny polomer okolia. Minimálne body sú minimálny počet bodov v susednom okolí to na definovanie klastra. Tu je niekoľko príkladov klastrovania, ktoré spadá do učenia bez dozoru.
Všeobecne nie sú výsledky generované algoritmami učenia bez dozoru príliš presné a spoľahlivé, pretože stroj musí pred určením skrytých vzorov a funkcií definovať a označiť vstupné údaje.
Aká je podobnosť medzi strojovým učením pod dohľadom a bez dozoru?
Učenie pod dohľadom aj bez dohľadu sú typy strojového učenia
Aký je rozdiel medzi strojovým učením pod dohľadom a bez dozoru?
Rozdielny článok v strede pred tabuľkou
Strojové učenie pod dohľadom a bez dozoru |
|
| Kontrolované učenie je úlohou strojového učenia naučiť sa funkciu, ktorá mapuje vstup na výstup na základe príkladných párov vstup-výstup. | Neupravené učenie je úlohou strojového učenia odvodiť funkciu na opísanie skrytej štruktúry z neoznačených údajov. |
| Hlavná funkčnosť | |
| V rámci supervidovaného učenia model predpovedá výsledok na základe označených vstupných údajov. | Pri učení bez dozoru model predpovedá výsledok bez označených údajov tým, že sám identifikuje vzorce. |
| Presnosť výsledkov | |
| Výsledky generované metódami učenia sa pod dohľadom sú presnejšie a spoľahlivejšie. | Výsledky generované metódami učenia sa bez dozoru nie sú príliš presné a spoľahlivé. |
| Hlavné algoritmy | |
| V učení pod dohľadom existujú algoritmy pre regresiu a klasifikáciu. | Existujú algoritmy pre klastrovanie pri učení bez dozoru. |
Zhrnutie - strojové učenie pod dohľadom a bez dozoru
Učenie pod dohľadom a Učenie bez dozoru sú dva typy strojového učenia. Kontrolované učenie je úlohou strojového učenia naučiť sa funkciu, ktorá mapuje vstup na výstup na základe príkladných párov vstup-výstup. Neupravené učenie je úlohou strojového učenia odvodiť funkciu na opísanie skrytej štruktúry z neoznačených údajov. Rozdiel medzi strojovým učením pod dohľadom a bez dozoru je v tom, že kontrolované učenie používa označené údaje, zatiaľ čo nekontrolované nakláňanie používa neoznačené údaje.
