Разлика между контролирано и неподдържано машинно обучение

2024 Автор: Mildred Bawerman | [email protected]. Последно модифициран: 2023-12-16 08:37

Ключова разлика - Наблюдавано срещу Неуправлявано машинно обучение

Ученето под наблюдение и ученето без надзор са две основни концепции на машинното обучение. Контролираното обучение е задача за машинно обучение за изучаване на функция, която преобразува вход към изход въз основа на примерните двойки вход-изход. Неуправляваното обучение е задачата за машинно обучение за извеждане на функция за описване на скрита структура от немаркирани данни. Ключовата разлика между контролирано и ненаблюдавано машинно обучение е, че контролираното обучение използва етикетирани данни, докато ненаблюдаваното обучение използва немаркирани данни.

Машинното обучение е област в компютърните науки, която дава възможност на компютърната система да се учи от данни, без да е изрично програмирана. Тя позволява да се анализират данните и да се предсказват модели в тях. Има много приложения на машинното обучение. Някои от тях са разпознаване на лица, разпознаване на жестове и разпознаване на реч. Съществуват 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. Други езици като Java, C ++ и Matlab също могат да се използват.

СЪДЪРЖАНИЕ

1. Общ преглед и ключова разлика

2. Какво е контролирано обучение

3. Какво е учебно

наблюдение 4. Прилики между контролирано и ненаблюдавано машинно обучение

5. Равно до сравнение - контролирано срещу ненаблюдавано машинно обучение в таблична форма

6. Резюме

Какво е контролирано обучение?

В системите, базирани на машинно обучение, моделът работи според алгоритъм. При контролирано обучение моделът се контролира. Първо се изисква да се обучи моделът. Със спечелените знания той може да предсказва отговори за бъдещите случаи. Моделът се обучава с помощта на етикетиран набор от данни. Когато на системата се дават данни без извадка, тя може да предскаже резултата. Следва малко извлечение от популярния набор от данни на IRIS.

Според горната таблица атрибутите се наричат дължина на сепала, ширина на сепала, дължина на пател, ширина на пател и видове. Колоните са известни като характеристики. Един ред има данни за всички атрибути. Следователно един ред се нарича наблюдение. Данните могат да бъдат цифрови или категорични. Моделът получава наблюденията със съответното име на вида като вход. Когато се дава ново наблюдение, моделът трябва да предскаже вида на вида, към който принадлежи.

При контролираното обучение има алгоритми за класификация и регресия. Класификацията е процес на класифициране на етикетираните данни. Моделът създава граници, които разделят 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 модел за класификация. 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 за данни ще бъде класифицирана като A.

Регресията е процесът на прогнозиране на тенденцията на предишните данни за предсказване на резултата от новите данни. При регресия изходът може да се състои от една или повече непрекъснати променливи. Предвиждането се извършва с помощта на линия, която покрива повечето точки от данни. Най-простият регресионен модел е линейна 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 контролирани учебни алгоритми. Като цяло резултатите, генерирани от контролирани методи на обучение, са по-точни и надеждни, тъй като входните данни са добре известни и етикетирани. Следователно машината трябва да анализира само скритите модели.

Какво представлява ученето без надзор?

При учене без надзор моделът не се контролира. Моделът работи самостоятелно, за да предскаже резултатите. Той използва алгоритми за машинно обучение, за да стигне до заключения относно немаркирани данни. Като цяло алгоритмите за учене без надзор са по-трудни от алгоритмите за наблюдение, 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 и базирана на плътност клъстериране са два клъстериращи алгоритма.

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 с данни до центроида. Точките с данни са класифицирани в групи. Позициите за k центроиди се изчисляват отново. Новата централна позиция се определя от средната стойност на всички точки в групата. Отново всяка точка от данни се присвоява на най-близкия центроид. Този процес се повтаря, докато центроидите вече не се променят. k-mean е бърз алгоритъм за клъстериране, но няма посочена инициализация на точки за клъстериране. Също така има голяма вариация на клъстерните модели, базирани на инициализация на клъстерни точки.

Друг алгоритъм за клъстериране е клъстериране, основано на плътност. Известен е също като Приложения за пространствено клъстериране, базирани на плътност с шум. Той работи, като дефинира клъстер като максимален набор от точки, свързани с плътност. Те са два параметъра, използвани за групиране въз основа на плътност. Те са Ɛ (епсилон) и минимални точки. Ɛ е максималният радиус на квартала. Минималните точки са минималният брой точки в квартала to за определяне на клъстер. Това са някои примери за групиране, което попада в обучение без надзор.

Обикновено резултатите, генерирани от алгоритмите за непредвидено обучение, не са много точни и надеждни, тъй като машината трябва да дефинира и обозначи входните данни, преди да определи скритите модели и функции.

Каква е приликата между машинно обучение с надзор и без надзор?

И контролираното, и ненаблюдаваното обучение са видове машинно обучение

Каква е разликата между контролирано и ненаблюдавано машинно обучение?

Различна статия Средна преди таблица

Контролирано срещу ненаблюдавано машинно обучение
Контролираното обучение е задачата за машинно обучение за изучаване на функция, която преобразува вход към изход въз основа на примерни двойки вход-изход.	Неуправляваното обучение е задачата за машинно обучение за извеждане на функция за описване на скрита структура от немаркирани данни.
Основна функционалност
При контролирано обучение моделът прогнозира резултата въз основа на етикетираните входни данни.	При учене без надзор моделът прогнозира резултата без етикетирани данни, като идентифицира моделите сам.
Точност на резултатите
Резултатите, генерирани от контролирани методи на обучение, са по-точни и надеждни.	Резултатите, генерирани от методи за учене без надзор, не са много точни и надеждни.
Основни алгоритми
Съществуват алгоритми за регресия и класификация в контролираното обучение.	Съществуват алгоритми за групиране при учене без надзор.

Резюме - Контролирано срещу Неуправлявано машинно обучение

Контролираното обучение и Неуправляваното обучение са два вида машинно обучение. Контролираното обучение е задачата за машинно обучение за изучаване на функция, която преобразува вход към изход въз основа на примерни двойки вход-изход. Неуправляваното обучение е задачата за машинно обучение за извеждане на функция за описване на скрита структура от немаркирани данни. Разликата между контролирано и ненаблюдавано машинно обучение е, че контролираното обучение използва етикетирани данни, докато ненаблюдаваното наклоняване използва немаркирани данни.