Ключова разлика – контролирано срещу неконтролирано машинно обучение
Ученето под надзор и обучението без надзор са две основни концепции на машинното обучение. Контролираното обучение е задача на машинното обучение за изучаване на функция, която преобразува вход към изход въз основа на примерните двойки вход-изход. Неконтролираното обучение е задачата на машинното обучение за извеждане на функция за описание на скрита структура от немаркирани данни. Ключовата разлика между контролираното и неконтролираното машинно обучение е, че контролираното обучение използва етикетирани данни, докато неконтролираното обучение използва немаркирани данни.
Машинното обучение е област в компютърните науки, която дава възможност на компютърна система да се учи от данни, без да е изрично програмирана. Позволява да се анализират данните и да се предвидят модели в тях. Има много приложения на машинното обучение. Някои от тях са разпознаване на лица, разпознаване на жестове и разпознаване на реч. Има различни алгоритми, свързани с машинното обучение. Някои от тях са регресия, класификация и групиране. Най-често срещаните езици за програмиране за разработване на приложения, базирани на машинно обучение, са R и Python. Могат да се използват и други езици като Java, C++ и Matlab.
Какво е контролирано обучение?
В системи, базирани на машинно обучение, моделът работи според алгоритъм. При контролираното обучение моделът се контролира. Първо, трябва да обучите модела. С натрупаните знания може да предвиди отговори за бъдещи случаи. Моделът се обучава с помощта на етикетиран набор от данни. Когато на системата се предоставят данни за извадка, тя може да предвиди резултата. Следва малък извадка от популярния набор от данни IRIS.
Съгласно горната таблица, дължината на чашелистчето, ширината на чашелистчето, дължината на патела, ширината на патела и видовете се наричат атрибути. Колоните са известни като функции. Един ред съдържа данни за всички атрибути. Следователно един ред се нарича наблюдение. Данните могат да бъдат числени или категорични. На модела са дадени наблюденията със съответното име на вида като вход. Когато е дадено ново наблюдение, моделът трябва да предвиди вида на вида, към който принадлежи.
При контролираното обучение има алгоритми за класификация и регресия. Класификацията е процесът на класифициране на етикетираните данни. Моделът създаде граници, които разделиха категориите данни. Когато на модела се предоставят нови данни, той може да категоризира въз основа на това къде съществува точката. K-най-близките съседи (KNN) е класификационен модел. В зависимост от стойността на k се определя категорията. Например, когато k е 5, ако определена точка от данни е близо до осем точки от данни в категория A и шест точки от данни в категория B, тогава точката от данни ще бъде класифицирана като A.
Регресията е процес на прогнозиране на тенденцията на предишните данни, за да се предвиди резултатът от новите данни. При регресия изходът може да се състои от една или повече непрекъснати променливи. Прогнозата се извършва с помощта на линия, която покрива повечето точки от данни. Най-простият регресионен модел е линейната регресия. Той е бърз и не изисква настройка на параметри като в KNN. Ако данните показват параболична тенденция, тогава моделът на линейна регресия не е подходящ.
Това са някои примери за алгоритми за контролирано обучение. Като цяло резултатите, генерирани от методите на обучение под наблюдение, са по-точни и надеждни, тъй като входните данни са добре известни и етикетирани. Следователно машината трябва да анализира само скритите модели.
Какво е неконтролирано обучение?
При обучение без надзор моделът не се контролира. Моделът работи сам, за да предвиди резултатите. Той използва алгоритми за машинно обучение, за да стигне до заключения върху немаркирани данни. Като цяло, алгоритмите за неконтролирано обучение са по-трудни от алгоритмите за контролирано обучение, тъй като има малко информация. Клъстерирането е вид обучение без надзор. Може да се използва за групиране на неизвестни данни с помощта на алгоритми. K-средната стойност и групирането на базата на плътност са два алгоритъма за групиране.
k-среден алгоритъм, поставя k центроид на случаен принцип за всеки клъстер. След това всяка точка от данни се присвоява на най-близкия центроид. Евклидовото разстояние се използва за изчисляване на разстоянието от точката на данните до центроида. Точките от данни са класифицирани в групи. Позициите за k центроиди се изчисляват отново. Новата центроидна позиция се определя от средната стойност на всички точки в групата. Отново всяка точка от данни се присвоява на най-близкия център. Този процес се повтаря, докато центроидите престанат да се променят. k-mean е бърз алгоритъм за клъстериране, но няма указана инициализация на точките за клъстериране. Освен това има голяма вариация на клъстерни модели, базирани на инициализация на клъстерни точки.
Друг алгоритъм за групиране е базирано на плътност групиране. Известно е още като Приложения за пространствено клъстериране на базата на плътност с шум. Той работи, като дефинира клъстер като максимален набор от плътно свързани точки. Това са два параметъра, използвани за групиране на базата на плътност. Те са Ɛ (епсилон) и минимални точки. Ɛ е максималният радиус на квартала. Минималните точки са минималният брой точки в околността Ɛ за дефиниране на клъстер. Това са някои примери за групиране, което попада в неконтролирано обучение.
Общо взето резултатите, генерирани от алгоритми за неконтролирано обучение, не са много точни и надеждни, защото машината трябва да дефинира и етикетира входните данни, преди да определи скритите модели и функции.
Каква е приликата между контролираното и неконтролираното машинно обучение?
Както контролираното, така и неконтролираното обучение са типове машинно обучение
Каква е разликата между контролирано и неконтролирано машинно обучение?
Контролирано срещу неконтролирано машинно обучение |
|
| Обучението под наблюдение е задача на машинното обучение за изучаване на функция, която преобразува вход към изход въз основа на примерни двойки вход-изход. | Неконтролираното обучение е задачата на машинното обучение за извеждане на функция за описание на скрита структура от немаркирани данни. |
| Основна функционалност | |
| При контролираното обучение моделът прогнозира резултата въз основа на етикетираните входни данни. | При неконтролирано обучение моделът прогнозира резултата без етикетирани данни, като идентифицира моделите сам по себе си. |
| Точност на резултатите | |
| Резултатите, генерирани от методите за контролирано обучение, са по-точни и надеждни. | Резултатите, генерирани от методи на обучение без надзор, не са много точни и надеждни. |
| Основни алгоритми | |
| Има алгоритми за регресия и класификация в контролираното обучение. | Има алгоритми за групиране в неконтролирано обучение. |
Резюме – Наблюдавано срещу неконтролирано машинно обучение
Ученето под надзор и обучението без надзор са два вида машинно обучение. Наблюдаваното обучение е задачата на машинното обучение за изучаване на функция, която преобразува вход към изход въз основа на примерни двойки вход-изход. Неконтролираното обучение е задачата на машинното обучение за извеждане на функция за описание на скрита структура от немаркирани данни. Разликата между контролираното и неконтролираното машинно обучение е, че контролираното обучение използва етикетирани данни, докато неконтролираното обучение използва немаркирани данни.
