Въведение в контролираното учене и обучението без надзор
Контролираното обучение и Ненадзорното обучение са задачи за машинно обучение.
Контролираното обучение е просто процес на алгоритъм за обучение от базата данни за обучение. Контролираното обучение е мястото, където имате входни променливи и изходна променлива и използвате алгоритъм, за да научите функцията за картографиране от входа към изхода. Целта е да се сближи функцията за картографиране, така че когато имаме нови входни данни, да можем да предвидим изходните променливи за тези данни.
Ненадзорното обучение е моделиране на основата или скритата структура или разпределение в данните, за да научите повече за данните. Ненадзорното обучение е мястото, където имате само входни данни и няма съответни изходни променливи.
Набор от данни: Набор от примери, използвани за обучение, където е известна целевата стойност.
Сравнения между главата на обучението с контролирано обучение и необучаваното обучение (Инфографика)
По-долу е топ 7 сравнението между контролирано обучение срещу необучено обучение
Ключови разлики между контролирано обучение срещу необучено обучение
По-долу са изброени списъците с точки, опишете основните ключови разлики между Супернизирано обучение срещу Неподдържано обучение
1. Алгоритмите за машинно обучение откриват модели в големите данни. Тези различни алгоритми могат да бъдат класифицирани в две категории въз основа на начина, по който те „учат“ за данни, за да правят прогнози. Това са контролирано и неподдържано обучение.
2. В контролираното учене ученият действа като ръководство за преподаване на алгоритъма какви заключения или прогнози трябва да излезе. При неподдържаното обучение няма правилен отговор, няма учител, алгоритмите са оставени на собствените си, за да открият и представят интересната скрита структура в данните.
3. Надзорният модел на обучение ще използва данните от обучението, за да научи връзка между входа и изхода.
4. Ненадзорното обучение не използва изходни данни. При неуправляемото обучение няма да бъдат „обозначени предходни знания“, докато при контролираното обучение ще имат достъп до етикетите и ще имат предварително знание за наборите от данни
5. Контролирано обучение: Идеята е обучението да може да бъде обобщено и моделът да може да се използва на нови данни с известна точност.
6. Поддържани алгоритми за учене: Подкрепяща векторна машина, Линейна и логистична регресия, Невронна мрежа, Класификационни дървета и произволна гора и др.
7. Неуправляемите алгоритми могат да бъдат разделени на различни категории: алгоритми на клъстери, K-средства, йерархично клъстериране, алгоритми за намаляване на размерите, откриване на аномалии и др.
8. Широко използвани алгоритми за класифициране и регресия в контролираното обучение. Векторните машини за поддръжка (SVM) са контролирани модели за машинно обучение със свързани алгоритми за обучение, които могат да се използват както за класификация, така и за регресия, но най-вече се използват за проблеми с класификацията.
9.В SVM модела ние начертаваме всеки елемент от данни като точка в n-измерното пространство (където n е характеристики, които имаме), като стойностите на всяка характеристика са стойността на определена координата. Тогава класификацията, извършена чрез намиране на хиперплана, който разграничава двата класа.
10. Основната цел на алгоритмите за регресия е да предскажат дискретната или продължителната стойност. В някои случаи прогнозираната стойност може да се използва за идентифициране на линейната връзка между атрибутите. Въз основа на алгоритмите за регресия на разликата в проблема могат да се използват. Някои от основните алгоритми за регресия са линейна регресия, полиномна регресия и др.
11. Кластерингът се използва широко при обучението без надзор. Клъстерирането е задачата да се разделят точките от данни на брой групи, така че същите точки да бъдат заедно под формата на клъстер. Има повече много алгоритми за клъстериране; малко от тях са модели на свързаност, модели на центроиди, модели на разпределение и модели на плътност.
12. Йерархичното клъстериране попада под неуправляемо обучение. Йерархично клъстеризиране, както подсказва името, е алгоритъм, който изгражда йерархия на клъстерите. Този алгоритъм започва с всички точки от данни, присвоени на собствен клъстер. Тогава два най-близки клъстера се обединяват в един и същ клъстер. В крайна сметка този алгоритъм се прекратява, когато е останал само един клъстер.
13.KMeans попада под метод на непредвиден клъстеринг. Данните ще бъдат разделени на k клъстери въз основа на техните характеристики. Всеки клъстер е представен от своя центроид, дефиниран като център на точките в клъстера. KMeans е проста и бърза, но не води до един и същ резултат при всяко изпълнение.
14.За да разберем по-добре контролираното обучение и неподдържаното учене, нека вземем примери от реалния живот. Контролирано обучение: Нека вземем за пример една от функциите на Gmail, която е спам. Въз основа на предишна информация за спам имейли, филтриране на нов входящ имейл в папка „Входящи“ или папка „Нежелана поща“. В този сценарий Gmail се моделира функция за картографиране за разделяне на входящата поща въз основа на предварителните знания за имейлите, това е контролирано обучение.
15.Неуправляемо обучение: Да предположим, че приятел ви кани на нейното парти, където ще се запознаете с нови хора. Сега ще ги класифицирате без предварителни знания (Неуправляемо обучение) и тази класификация може да бъде по всяка черта. Това може да бъде възрастова група, пол, обличане, образователна квалификация или какъвто и друг начин да пожелаете. Тъй като не сте използвали каквито и да било предварителни знания за хората и не сте ги класифицирали, той попада под неуправляемо обучение.
Таблица за наблюдение на контролираното обучение срещу непроверено обучение
| Контролирано обучение | Неуправляемо обучение | |
|
метод | Ще бъдат дадени входни променливи и изходни променливи. | Ще бъдат дадени само входни данни |
|
Цел | Целта на контролираното обучение е да се определи функцията толкова добре, че когато се дадат нови входни данни, да може да се предскаже изхода. | Целта на обучението без надзор е да се моделират скритите модели или основата на структурата в дадените входни данни, за да се научат за данните. |
|
клас | Проблеми с машинно обучение, извличане на данни и невронна мрежа, | Машинно обучение, извличане на данни, проблеми и невронна мрежа |
|
Примери |
|
|
| Кой използва | Учени по данни | Учени по данни |
|
Екосистеми |
Обработка на големи данни, извличане на данни и т.н. | Обработка на големи данни, извличане на данни и т.н. |
|
употреби |
Контролираното обучение често се използва за експортни системи за разпознаване на изображения, разпознаване на реч, прогнозиране, финансов анализ и обучение на невронни мрежи и дървета на решения и т.н. | Ненадзорните алгоритми за обучение се използват за предварителна обработка на данните, по време на проучвателен анализ или за предварително обучение на контролирани алгоритми за обучение. |
Заключение - Надзорно обучение срещу Неуправляемо обучение
Изборът да се използва или контролиран алгоритъм за машинно обучение без надзор, обикновено зависи от фактори, свързани със структурата и обема на вашите данни и от случая на използване. В действителност повечето пъти учените с данни използват заедно подходи за супервизирано обучение и непроучено обучение, за да решат случая с употребата.
Препоръчителен член
Това е ръководство за контролирано обучение срещу необучавано обучение, тяхното значение, сравнение между главата, ключови разлики, таблица за сравнение и заключение. Можете също да разгледате следните статии, за да научите повече -
- Най-добро 7 сравнение между обучението под надзора и обучението за подсилване
- 5 Най-полезна разлика между Data Science спрямо машинно обучение
- Научете 10-те най-добри разлики между намаляване на картата спрямо преждата
- MapReduce vs Apache Spark - 20 полезни сравнения за научаване
- Какво е усилване на обучението?