Introduktion til Supervised Learning og Unsupervised Learning
Overvåget læring og Uovervåget læring er maskinlæringsopgaver.
Overvåget læring er simpelthen en proces med indlæringsalgoritme fra træningsdatasættet. Overvåget indlæring er hvor du har inputvariabler og en outputvariabel, og du bruger en algoritme til at lære kortlægningsfunktionen fra input til output. Målet er at tilnærme kortlægningsfunktionen, så når vi har nye inputdata, kan vi forudsige outputvariablerne for disse data.
Uovervåget læring modellerer den underliggende eller skjulte struktur eller distribution i dataene for at lære mere om dataene. Uovervåget læring er det sted, hvor du kun har inputdata og ingen tilsvarende outputvariabler.
Træningsdatasæt: Et sæt eksempler, der bruges til læring, hvor målværdien er kendt.
Sammenligninger mellem hovedet og hovedet mellem Supervised Learning vs Unsupervised Learning (Infographics)
Nedenfor er Top 7-sammenligningen mellem Supervised Learning vs Unsupervised Learning
Vigtige forskelle mellem Supervised Learning vs Unsupervised Learning
Nedenfor er lister over punkter, der beskriver de vigtigste forskelle mellem Supervised Learning vs Unsupervised Learning
1. Algoritmer til maskinlæring opdager mønstre i big data. Disse forskellige algoritmer kan klassificeres i to kategorier baseret på den måde, de ”lærer” om data for at gøre forudsigelser. Disse er overvåget og uden opsyn læring.
2. I overvåget lærende fungerer videnskabsmand som en guide til at lære algoritmen, hvilke konklusioner eller forudsigelser den skal komme med. I uovervåget læring er der ikke noget korrekt svar, der er ingen lærer, algoritmer overlades til deres egne for at opdage og præsentere den interessante skjulte struktur i dataene.
3. Overvåget læringsmodel vil bruge træningsdataene til at lære en forbindelse mellem input og output.
4. Uovervåget indlæring bruger ikke outputdata. I uovervåget læring vil deres 'ikke' være mærket forkendskab, medens undervisning i overvåget har adgang til etiketterne og vil have forudgående viden om datasættene
5. Overvåget læring: Idéen er, at uddannelse kan generaliseres, og at modellen kan bruges på nye data med en vis nøjagtighed.
6. Overvåget indlæringsalgoritmer: Supportvektormaskine, lineær og logistisk regression, neuralt netværk, klassificeringstræer og tilfældig skov osv.
7. Ikke-overvågede algoritmer kan opdeles i forskellige kategorier: Clusteralgoritmer, K-midler, Hierarkisk klyngering, Dimensionelt reduktionsalgoritmer, Anomali-detektioner osv.
8. Klassificerings- og regressionsområde, der er almindeligt anvendte algoritmer i overvåget læring. Support Vector Machines (SVM) er overvågede maskinindlæringsmodeller med tilhørende indlæringsalgoritmer, disse kan bruges til både klassificerings- og regressionsformål, men mest bruges til klassificeringsproblemer.
9.I SVM-model planlægger vi hvert dataelement som et punkt i n-dimensionelt rum, (hvor n er funktioner, vi har), hvor værdierne for hver funktion er værdien af en bestemt koordinat. Derefter udføres klassificeringen ved at finde det hyperplan, der adskiller de to klasser.
10.Hovedmålet med regressionsalgoritmer er at forudsige den diskrete eller fortsatte værdi. I nogle tilfælde kan den forudsagte værdi bruges til at identificere det lineære forhold mellem attributterne. Baseret på problemforskellen kan regressionsalgoritmer bruges. Nogle af de grundlæggende regressionsalgoritmer er lineær regression, polynomial regression osv.
11.Clustering er vidt brugt i uovervåget læring. Clustering er opgaven med at opdele datapunkterne i antal grupper, således at de samme trækpunkter vil være sammen i form af klynge. Der er flere mange klynge-algoritmer; få af dem er Connectivity-modeller, centroid-modeller, Distribution-modeller og Density-modeller.
12.Hierarkisk klynger indgår under uovervåget læring. Hierarkisk klynge, som navnet antyder, er en algoritme, der bygger hierarki af klynger. Denne algoritme starter med alle datapunkter, der er tildelt en egen klynge. Derefter flettes to nærmeste klynger sammen til den samme klynge. I sidste ende afsluttes denne algoritme, når der kun er en enkelt klynge tilbage.
13.KMeans er under uovervåget klyngemetode. Data vil blive opdelt i k-klynger, baseret på deres funktioner. Hver klynge er repræsenteret ved sin centroid, defineret som midten af punkterne i klyngen. KMeans er enkel og hurtig, men det giver ikke det samme resultat med hver kørsel.
14. For at forstå den overvågede læring og uovervåget læring bedre, lad os tage eksempler i det virkelige liv. Overvåget indlæring: Lad os tage en af Gmail's funktionalitet som et eksempel, som er en spam-mail. Baseret på tidligere oplysninger om spam-e-mails, filtrerer du en ny indgående e-mail i mappen Indbakke eller Uønsket mappe. I dette scenarie er Gmail modelleret som en kortlægningsfunktion til at adskille den indgående e-mail baseret på den forudgående viden om mails, dette er overvåget indlæring.
15. Overvåget læring: Lad os antage, at en ven inviterer dig til hendes fest, hvor du møder nye mennesker. Nu klassificerer du dem uden brug af forudgående viden (Unsupervised learning), og denne klassificering kan være på en hvilken som helst egenskab. Det kan være aldersgruppe, køn, påklædning, uddannelsesmæssig kvalifikation eller uanset hvilken måde du ønsker. Da du ikke brugte nogen forudgående viden om mennesker og klassificerede dem, hører det under uovervåget læring.
Sammenlignet tabel med overvåget indlæring vs ikke-overvåget sammenlæring
| Overvåget læring | Uovervåget læring | |
|
Metode | Inputvariabler og outputvariabler vil blive givet. | Der gives kun inputdata |
|
Mål | Overvåget indlæringsmål er at bestemme funktionen så godt, at når nye inputdatasæt er givet, kan forudsige output. | Det uovervågede læringsmål er at modellere de skjulte mønstre eller den underliggende struktur i de givne inputdata for at lære om dataene. |
|
klasse | Problemer med maskinlæring, datamining og neuralt netværk, | Maskinlæring, datamining, problemer og neuralt netværk |
|
eksempler |
|
|
| Hvem bruger | Data forskere | Data forskere |
|
Eco-systemer |
Big data Behandling, Data mining osv | Big data Behandling, Data mining osv |
|
Anvendelser |
Overvåget læring bruges ofte til eksportsystemer til billedgenkendelse, talegenkendelse, prognoser, økonomisk analyse og træning af neurale netværk og beslutningstræer osv. | Ikke-overvågede indlæringsalgoritmer bruges til forforarbejdning af data, under udforskende analyse eller til foruddannelse af overvågede indlæringsalgoritmer. |
Konklusion - Supervised Learning vs Unsupervised Learning
Valg af at anvende enten en overvåget eller ikke-overvåget maskinlæringsalgoritme afhænger typisk af faktorer, der er relateret til strukturen og volumen på dine data og brugssagen. I virkeligheden bruger dataforskere både Supervised Learning og Unsupervised Learning-metoder sammen for at løse brugssagen.
Anbefalet artikel
Dette har været en guide til Supervised Learning vs Unsupervised Learning, deres betydning, sammenligning mellem hoved og hoved, nøgleforskelle, sammenligningstabel og konklusion. Du kan også se på de følgende artikler for at lære mere -
- Bedste 7 sammenligning mellem overvåget læring vs forstærkningslæring
- 5 Den mest nyttige forskel mellem Data Science vs Machine Learning
- Lær den 10 bedste forskel mellem kortreducering kontra garn
- MapReduce vs Apache Spark- 20 nyttige sammenligninger at lære
- Hvad er forstærkningslæring?