Разница между машинным обучением с учителем и без учителя

2024 Автор: Mildred Bawerman | [email protected]. Последнее изменение: 2023-12-16 08:42

Ключевое различие - контролируемое и неконтролируемое машинное обучение

Обучение с учителем и обучение без учителя - две основные концепции машинного обучения. Контролируемое обучение - это задача машинного обучения по изучению функции, которая сопоставляет входные данные с выходными на основе примеров пар вход-выход. Неконтролируемое обучение - это задача машинного обучения, заключающаяся в выведении функции для описания скрытой структуры из немаркированных данных. Ключевое различие между машинным обучением с учителем и машинным обучением без учителя заключается в том, что в контролируемом обучении используются помеченные данные, а в неконтролируемом обучении используются немаркированные данные.

Машинное обучение - это область компьютерных наук, которая дает компьютерной системе возможность учиться на основе данных без явного программирования. Это позволяет анализировать данные и прогнозировать закономерности в них. Есть много применений машинного обучения. Некоторые из них - это распознавание лиц, распознавание жестов и распознавание речи. Есть разные алгоритмы, связанные с машинным обучением. Некоторые из них - регрессия, классификация и кластеризация. Наиболее распространенными языками программирования для разработки приложений на основе машинного обучения являются R и Python. Также можно использовать другие языки, такие как Java, C ++ и Matlab.

СОДЕРЖАНИЕ

1. Обзор и ключевые различия

2. Что такое обучение с учителем

3. Что такое обучение без учителя

4. Сходства между контролируемым и неконтролируемым машинным обучением

5. Сравнение бок о бок - контролируемое и неконтролируемое машинное обучение в табличной форме

6. Резюме

Что такое контролируемое обучение?

В системах на основе машинного обучения модель работает по алгоритму. При обучении с учителем модель находится под наблюдением. Во-первых, необходимо обучить модель. Обладая полученными знаниями, он может предсказывать ответы на будущее. Модель обучается с использованием помеченного набора данных. Когда системе передаются данные вне выборки, она может предсказать результат. Ниже приводится небольшой отрывок из популярного набора данных IRIS.

Согласно приведенной выше таблице, длина чаши, ширина чаши, длина чашечки, ширина чашечки и виды называются атрибутами. Столбцы называются функциями. В одной строке есть данные для всех атрибутов. Поэтому одна строка называется наблюдением. Данные могут быть числовыми или категориальными. Модель получает наблюдения с соответствующим названием вида в качестве входных данных. Когда дается новое наблюдение, модель должна предсказывать тип вида, к которому она принадлежит.

В обучении с учителем есть алгоритмы классификации и регрессии. Классификация - это процесс классификации помеченных данных. Модель создала границы, разделяющие категории данных. Когда в модель предоставляются новые данные, ее можно разделить на категории в зависимости от того, где находится точка. K-ближайшие соседи (KNN) - это модель классификации. В зависимости от значения k определяется категория. Например, когда k равно 5, если конкретная точка данных находится рядом с восемью точками данных в категории A и шестью точками данных в категории B, то точка данных будет классифицирована как A.

Регрессия - это процесс прогнозирования тенденции предыдущих данных для прогнозирования результата новых данных. В регрессии выходные данные могут состоять из одной или нескольких непрерывных переменных. Прогнозирование выполняется с использованием линии, охватывающей большинство точек данных. Самая простая регрессионная модель - это линейная регрессия. Это быстро и не требует параметров настройки, как в KNN. Если данные показывают параболический тренд, то модель линейной регрессии не подходит.

Это несколько примеров алгоритмов контролируемого обучения. Как правило, результаты, полученные с помощью контролируемых методов обучения, более точны и надежны, поскольку входные данные хорошо известны и маркированы. Таким образом, машина должна анализировать только скрытые закономерности.

Что такое обучение без учителя?

При обучении без учителя модель не контролируется. Модель работает сама по себе, чтобы предсказать результаты. Он использует алгоритмы машинного обучения, чтобы делать выводы о немаркированных данных. Как правило, алгоритмы обучения без учителя сложнее, чем алгоритмы обучения с учителем, потому что информации мало. Кластеризация - это тип обучения без учителя. Его можно использовать для группировки неизвестных данных с помощью алгоритмов. Кластеризация на основе k-среднего и кластеризация на основе плотности - это два алгоритма кластеризации.

Алгоритм k-среднего, случайным образом размещает k центроидов для каждого кластера. Затем каждой точке данных назначается ближайший центроид. Евклидово расстояние используется для вычисления расстояния от точки данных до центроида. Точки данных разделены на группы. Снова вычисляются положения k центроидов. Новое положение центра тяжести определяется средним значением всех точек в группе. И снова каждая точка данных назначается ближайшему центроиду. Этот процесс повторяется до тех пор, пока центроиды не перестанут меняться. k-mean - это быстрый алгоритм кластеризации, но не указывается инициализация точек кластеризации. Кроме того, существует большое разнообразие моделей кластеризации, основанных на инициализации точек кластера.

Другой алгоритм кластеризации - это кластеризация на основе плотности. Он также известен как приложения пространственной кластеризации на основе плотности с шумом. Он работает, определяя кластер как максимальный набор точек, связанных плотностью. Это два параметра, используемых для кластеризации на основе плотности. Это Ɛ (эпсилон) и точки минимума. - это максимальный радиус окрестности. Минимальные точки - это минимальное количество точек в окрестности для определения кластера. Это несколько примеров кластеризации, которая относится к обучению без учителя.

Как правило, результаты, полученные с помощью алгоритмов неконтролируемого обучения, не очень точны и надежны, потому что машина должна определять и маркировать входные данные перед определением скрытых шаблонов и функций.

В чем сходство между контролируемым и неконтролируемым машинным обучением?

И обучение с учителем, и обучение без учителя - это типы машинного обучения

В чем разница между контролируемым и неконтролируемым машинным обучением?

Различать статью в середине перед таблицей

Машинное обучение с учителем и без учителя
Контролируемое обучение - это задача машинного обучения по изучению функции, которая сопоставляет входные данные с выходными на основе примеров пар вход-выход.	Неконтролируемое обучение - это задача машинного обучения по выводу функции для описания скрытой структуры из немаркированных данных.
Основная функциональность
При обучении с учителем модель предсказывает результат на основе помеченных входных данных.	При обучении без учителя модель предсказывает результат без маркированных данных, определяя шаблоны самостоятельно.
Точность результатов
Результаты, полученные с помощью контролируемых методов обучения, более точны и надежны.	Результаты, полученные с помощью методов обучения без учителя, не очень точны и надежны.
Основные алгоритмы
В обучении с учителем существуют алгоритмы регрессии и классификации.	Существуют алгоритмы кластеризации при обучении без учителя.

Резюме - контролируемое и неконтролируемое машинное обучение

Обучение с учителем и обучение без учителя - это два типа машинного обучения. Контролируемое обучение - это задача машинного обучения по изучению функции, которая сопоставляет входные данные с выходными на основе примеров пар вход-выход. Неконтролируемое обучение - это задача машинного обучения по выводу функции для описания скрытой структуры из немаркированных данных. Разница между контролируемым и неконтролируемым машинным обучением заключается в том, что контролируемое обучение использует помеченные данные, а неконтролируемое обучение использует немаркированные данные.