Ključna razlika - nadzorovano in nenadzorovano strojno učenje
Nadzorovano učenje in nenadzorovano učenje sta dva temeljna koncepta strojnega učenja. Nadzorovano učenje je naloga strojnega učenja učenja funkcije, ki preslika vhod v izhod na podlagi primerov vhodno-izhodnih parov. Nenadzorovano učenje je naloga strojnega učenja pri ugotavljanju funkcije za opis skrite strukture iz neoznačenih podatkov. Ključna razlika med nadzorovanim in nenadzorovanim strojnim učenjem je v tem, da nadzorovano učenje uporablja označene podatke, medtem ko nenadzorovano učenje uporablja neoznačene podatke.
Strojno učenje je področje računalništva, ki omogoča računalniški sistem, da se uči iz podatkov, ne da bi bil izrecno programiran. Omogoča analizo podatkov in predvidevanje vzorcev v njih. Obstaja veliko aplikacij strojnega učenja. Nekateri med njimi so prepoznavanje obrazov, prepoznavanje kretenj in prepoznavanje govora. Obstajajo različni algoritmi, povezani s strojnim učenjem. Nekateri med njimi so regresija, klasifikacija in združevanje. Najpogostejša programska jezika za razvoj aplikacij, ki temeljijo na strojnem učenju, sta R in Python. Uporabljajo se lahko tudi drugi jeziki, kot so Java, C ++ in Matlab.
VSEBINA
1. Pregled in ključna razlika
2. Kaj je nadzorovano učenje
3. Kaj je nenadzorovano učenje
4. Podobnosti med nadzorovanim in nenadzorovanim strojnim učenjem
5. Vzporedna primerjava - nadzorovano in nenadzorovano strojno učenje v tabelarni obliki
6. Povzetek
Kaj je nadzorovano učenje?
V sistemih, ki temeljijo na strojnem učenju, model deluje po algoritmu. Pri nadzorovanem učenju je model nadzorovan. Najprej je treba usposobiti model. S pridobljenim znanjem lahko napoveduje odgovore za prihodnje primere. Model je usposobljen z uporabo označenega nabora podatkov. Ko sistemu damo podatke iz vzorca, lahko napove rezultat. Sledi majhen izvleček iz priljubljenega nabora podatkov IRIS.
V skladu z zgornjo tabelo se atributi imenujejo dolžina Sepala, širina Sepala, dolžina Patela, širina Patela in Vrsta. Stolpci so znani kot značilnosti. Ena vrstica vsebuje podatke za vse atribute. Zato se ena vrstica imenuje opazovanje. Podatki so lahko številčni ali kategorični. Model dobi opažanja z ustreznim imenom vrste kot vhodno sliko. Ob novem opazovanju mora model predvideti vrsto, ki ji pripada.
Pri nadzorovanem učenju obstajajo algoritmi za klasifikacijo in regresijo. Razvrščanje je postopek razvrščanja označenih podatkov. Model je ustvaril meje, ki so ločevale kategorije podatkov. Ko so modelu na voljo novi podatki, jih lahko razvrsti glede na to, kje točka obstaja. K-Najbližji sosedje (KNN) je klasifikacijski model. Odvisno od vrednosti k se določi kategorija. Na primer, kadar je k 5, če je določena podatkovna točka blizu osmih podatkovnih točk v kategoriji A in šest podatkovnih točk v kategoriji B, bo podatkovna točka razvrščena kot A.
Regresija je postopek napovedovanja trenda prejšnjih podatkov za napoved izida novih podatkov. V regresiji je lahko izhod sestavljen iz ene ali več neprekinjenih spremenljivk. Napovedovanje se izvede s pomočjo črte, ki pokriva večino podatkovnih točk. Najenostavnejši regresijski model je linearna regresija. Je hiter in ne zahteva nastavitvenih parametrov, kot je v KNN. Če podatki kažejo parabolični trend, potem linearni regresijski model ni primeren.
To je nekaj primerov algoritmov nadzorovanega učenja. Na splošno so rezultati, pridobljeni z nadzorovanimi učnimi metodami, bolj natančni in zanesljivi, ker so vhodni podatki dobro znani in označeni. Zato mora stroj analizirati samo skrite vzorce.
Kaj je nenadzorovano učenje?
Pri nenadzorovanem učenju model ni nadzorovan. Model deluje sam za napovedovanje izidov. Za ugotavljanje neoznačenih podatkov uporablja algoritme strojnega učenja. Na splošno so algoritmi nenadzorovanega učenja težji od algoritmov nadzorovanega učenja, ker je informacij malo. Grozdenje je vrsta nenadzorovanega učenja. Uporablja se lahko za združevanje neznanih podatkov z uporabo algoritmov. Grozdenje na osnovi k-povprečja in gostote sta dva algoritma združevanja.
k-srednji algoritem, postavi k centroid naključno za vsako skupino. Nato je vsaka podatkovna točka dodeljena najbližjemu centroidu. Evklidova razdalja se uporablja za izračun razdalje od podatkovne točke do centroida. Podatkovne točke so razvrščene v skupine. Položaji za k centroidov se ponovno izračunajo. Novi položaj težišča se določi s povprečjem vseh točk v skupini. Spet je vsaka podatkovna točka dodeljena najbližjemu centroidu. Ta postopek se ponavlja, dokler se centroidi ne spremenijo več. k-mean je hiter algoritem združevanja v skupine, vendar ni določene inicializacije točkovnih skupin. Poleg tega obstajajo velike razlike med modeli grozdenja, ki temeljijo na inicializaciji točk grozda.
Drug algoritem združevanja v skupine je združevanje na osnovi gostote. Znana je tudi kot prostorska grozdna aplikacija na osnovi gostote s hrupom. Deluje tako, da skupino definiramo kot največji nabor točk, povezanih z gostoto. Gre za dva parametra, ki se uporabljata za združevanje na osnovi gostote. So Ɛ (epsilon) in minimalne točke. Ɛ je največji polmer soseske. Najmanjše točke so najmanjše število točk v soseski to za določitev grozda. To je nekaj primerov združevanja v skupine, ki spada v nenadzorovano učenje.
Na splošno rezultati nenadzorovanih učnih algoritmov niso preveč natančni in zanesljivi, ker mora stroj določiti in označiti vhodne podatke, preden določi skrite vzorce in funkcije.
Kakšna je podobnost med nadzorovanim in nenadzorovanim strojnim učenjem?
Tako nadzorovano kot nenadzorovano učenje sta vrsti strojnega učenja
Kakšna je razlika med nadzorovanim in nenadzorovanim strojnim učenjem?
Diff Article Sredina pred mizo
Nadzorovano in nenadzorovano strojno učenje |
|
| Nadzorovano učenje je naloga strojnega učenja učenja funkcije, ki vhod preslika na izhod na podlagi primernih vhodno-izhodnih parov. | Nenadzorovano učenje je naloga strojnega učenja pri ugotavljanju funkcije za opis skrite strukture iz neoznačenih podatkov. |
| Glavna funkcionalnost | |
| Pri nadzorovanem učenju model napove rezultat na podlagi označenih vhodnih podatkov. | Pri nenadzorovanem učenju model napove izid brez označenih podatkov s samostojnim prepoznavanjem vzorcev. |
| Natančnost rezultatov | |
| Rezultati, pridobljeni z nadzorovanimi učnimi metodami, so natančnejši in zanesljivejši. | Rezultati nenadzorovanih učnih metod niso preveč natančni in zanesljivi. |
| Glavni algoritmi | |
| V nadzorovanem učenju obstajajo algoritmi za regresijo in klasifikacijo. | Obstajajo algoritmi za združevanje v nenadzorovano učenje. |
Povzetek - Nadzorovano vs nenadzorovano strojno učenje
Nadzorovano učenje in nenadzorovano učenje sta dve vrsti strojnega učenja. Nadzorovano učenje je naloga strojnega učenja učenja funkcije, ki vhod preslika na izhod na podlagi primernih vhodno-izhodnih parov. Nenadzorovano učenje je naloga strojnega učenja pri ugotavljanju funkcije za opis skrite strukture iz neoznačenih podatkov. Razlika med nadzorovanim in nenadzorovanim strojnim učenjem je v tem, da nadzorovano učenje uporablja označene podatke, medtem ko nenadzorovano nagibanje uporablja neoznačene podatke.
