Introduktion till Supervised Learning och Unsupervised Learning
Övervakat lärande och oövervakat lärande är maskininlärningsuppgifter.
Övervakad inlärning är helt enkelt en process för inlärningsalgoritm från träningsdatasättet. Övervakad inlärning är där du har inputvariabler och en outputvariabel och du använder en algoritm för att lära dig mappningsfunktionen från ingången till utgången. Målet är att ungefärliga kartläggningsfunktionen så att när vi har ny inmatningsdata kan vi förutsäga utgångsvariablerna för den datan.
Oövervakat inlärning modellerar den underliggande eller dolda strukturen eller distributionen i uppgifterna för att lära sig mer om uppgifterna. Oövervakat inlärning är där du bara har inmatningsdata och inga motsvarande utgångsvariabler.
Träningsdatasätt: En uppsättning exempel som används för inlärning, där målvärdet är känt.
Jämförelse mellan huvud och huvud mellan Supervised Learning vs Unsupervised Learning (Infographics)
Nedan är topp 7 jämförelsen mellan Supervised Learning vs Unsupervised Learning
Viktiga skillnader mellan Supervised Learning vs Unsupervised Learning
Nedan finns listor med punkter, beskriv om de viktigaste skillnaderna mellan Supervised Learning vs Unsupervised Learning
1. Maskininlärningsalgoritmer upptäcker mönster i big data. Dessa olika algoritmer kan klassificeras i två kategorier baserat på hur de ”lär sig” om data för att göra förutsägelser. Dessa är övervakade och utan tillsyn lärande.
2. Vid övervakad inlärning fungerar forskare som en guide för att lära algoritmen vilka slutsatser eller förutsägelser den borde komma med. I oövervakat lärande finns det inget korrekt svar, det finns ingen lärare, algoritmer lämnas åt sina egna för att upptäcka och presentera den intressanta dolda strukturen i data.
3. Övervakad inlärningsmodell använder träningsdata för att lära sig en länk mellan ingången och utgångarna.
4. Oövervakat inlärning använder inte utdata. I undervisat undervisning kommer de inte att vara någon märkt förkunskap, medan i övervakat lärande har tillgång till etiketterna och kommer att ha förkunskaper om datasätten.
5. Övervakat inlärning: Tanken är att utbildning kan generaliseras och att modellen kan användas på nya data med viss noggrannhet.
6. Övervakade inlärningsalgoritmer: Stödvektormaskin, linjär och logistisk regression, neuralt nätverk, klassificeringsträd och slumpmässig skog etc.
7. Oövervakade algoritmer kan delas upp i olika kategorier: Klusteralgoritmer, K-medel, Hierarkisk klustering, Dimensionellt reduktionsalgoritmer, Anomalidetekteringar etc.
8. Klassificerings- och regressionsområdet som används allmänt använda algoritmer i övervakad inlärning. Support Vector Machines (SVM) är övervakade modeller för maskininlärning med tillhörande inlärningsalgoritmer, de kan användas för både klassificerings- och regressionsändamål, men används mest för klassificeringsproblem.
9.I SVM-modell plottar vi varje dataobjekt som en punkt i n-dimensionellt utrymme, (där n är funktioner vi har) med värdena för varje funktion som värdet på en viss koordinat. Sedan klassificeringen utförs genom att hitta hyperplanet som differentierar de två klasserna.
10. Huvudmålet med regressionsalgoritmer är att förutsäga det diskreta eller fortsätta värdet. I vissa fall kan det förutsagda värdet användas för att identifiera det linjära förhållandet mellan attributen. Baserat på problemskillnaden kan regressionsalgoritmer användas. Några av de grundläggande regressionsalgoritmerna är linjär regression, polynomial regression, etc.
11.Slutning används ofta i lärande utan tillsyn. Clustering är uppgiften att dela upp datapunkterna i antal grupper så att samma dragpunkter kommer att vara tillsammans i form av kluster. Det finns fler många klusteralgoritmer; några av dem är Connectivity-modeller, centroidmodeller, distributionsmodeller och Density-modeller.
12.Hierarkisk klustering omfattas av okontrollerat lärande. Hierarkisk kluster, som namnet antyder är en algoritm som bygger hierarki av kluster. Denna algoritm börjar med alla datapunkter tilldelade en egen grupp. Sedan slås två närmaste kluster samman i samma kluster. I slutändan avslutas denna algoritm när det bara finns ett enda kluster kvar.
13.KMeans omfattas av oövervakad klustermetod. Data kommer att delas upp i k-kluster, baserat på deras funktioner. Varje kluster representeras av dess centroid, definierad som centrum för punkterna i klustret. KMeans är enkelt och snabbt men ger inte samma resultat för varje körning.
14. För att bättre förstå det övervakade inlärningen och utan tillsyn lärande, låt oss ta verkliga exempel. Övervakad inlärning: Låt oss ta en av Gmail-funktionerna som exempel, som är en skräppost. Baserat på tidigare information om skräppostmeddelanden filtrerar du ut ett nytt inkommande e-postmeddelande i mappen Inkorg eller skräp. I det här scenariot modelleras Gmail som en mappningsfunktion för att separera inkommande e-post baserat på förkunskaper om e-postmeddelanden, detta är övervakad inlärning.
15. Övervakat lärande: Låt oss anta att en vän inbjuder dig till hennes fest, där du träffar nya människor. Nu klassificerar du dem utan användning av förkunskaper (Unsupervised learning) och denna klassificering kan vara på alla egenskaper. Det kan vara åldersgrupp, kön, klädsel, utbildningskvalifikation eller vilket sätt du vill ha. Eftersom du inte använde någon förkunskaper om människor och klassificerade dem, ingår det under övervakat lärande.
Övervakad lärande jämfört med oövervakad inlärningstabell
| Övervakad inlärning | Oövervakat lärande | |
|
Metod | Ingångsvariabler och utgångsvariabler kommer att ges. | Endast inmatningsdata kommer att ges |
|
Mål | Övervakat inlärningsmål är att bestämma funktionen så bra att när ny inmatningsdata som ges kan förutsäga utgången. | Det oövervakade inlärningsmålet är att modellera de dolda mönstren eller den underliggande strukturen i den givna inmatningsdata för att lära sig om uppgifterna. |
|
Klass | Maskininlärningsproblem, Data Mining och Neural Network, | Maskininlärning, dataanläggning, problem och neuralt nätverk |
|
exempel |
|
|
| Vem använder | Datavetare | Datavetare |
|
Ekosystem |
Big data Processing, Data mining etc. | Big data Processing, Data mining etc. |
|
användningsområden |
Övervakad inlärning används ofta för exportsystem inom bildigenkänning, taligenkänning, prognos, ekonomisk analys och utbildning av neurala nätverk och beslutsträd etc. | Oövervakade inlärningsalgoritmer används för att förbereda data, under undersökningsanalys eller för att förutbilda övervakade inlärningsalgoritmer. |
Slutsats - Supervised Learning vs Unsupervised Learning
Att välja att använda antingen en övervakad eller oövervakad maskininlärningsalgoritm beror vanligen på faktorer relaterade till strukturen och volymen för dina data och användningsfallet. I verkligheten använder dataforskare både Supervised Learning och Unsupervised Learning-strategier tillsammans för att lösa användningsfallet.
Rekommenderad artikel
Detta har varit en guide till Supervised Learning vs Unsupervised Learning, deras betydelse, jämförelse mellan huvud och huvud, viktiga skillnader, jämförelsetabell och slutsats. Du kan också titta på följande artiklar för att lära dig mer -
- Bästa 7 jämförelsen mellan övervakat lärande vs förstärkning
- 5 Den mest användbara skillnaden mellan datavetenskap och maskininlärning
- Lär dig de 10 bästa skillnaderna mellan kartminskning kontra garn
- MapReduce vs Apache Spark- 20 användbara jämförelser att lära sig
- Vad är förstärkningslärande?