Разлика между машинно обучение и прогнозна анализа
Машинното обучение е област в компютърните науки, която в наши дни нараства и скача. Последният напредък в хардуерните технологии, довел до масово увеличаване на изчислителната мощност, като графичен процесор (графични процесорни единици) и напредък в невронните мрежи, машинното обучение се превърна в бръмчаща дума. По същество, използвайки техники за машинно обучение, можем да изградим алгоритми за извличане на данни и да видим важна скрита информация от тях. Прогнозната анализа също е част от областта на машинното обучение, която е ограничена да прогнозира бъдещия резултат от данните въз основа на предишни модели. Докато аналитичната прогноза се използва от повече от две десетилетия главно в банковия и финансовия сектор, приложението на машинното обучение в последно време придоби известност с алгоритми като откриване на обекти от изображения, текстова класификация и препоръчителни системи.
Машинно обучение
Вътрешното машинно обучение използва основите на статистиката, математиката и компютърните науки, за да изгради логика за алгоритми, които могат да правят класификация, прогнозиране и оптимизация както в реално време, така и в пакетния режим. Класификацията и регресията са два основни класа на проблем при машинно обучение. Нека разберем подробно както машинното обучение, така и прогнозната анализа.
класификация
Под тези групи от проблеми сме склонни да класифицираме обект въз основа на различните му свойства в един или повече класове. Например, класифициране на банков клиент да отговаря на условията за жилищен кредит или да не се основава на кредитната му история. Обикновено бихме имали достъпни данни за транзакциите за клиента като неговата възраст, доходи, образование, опит в работата, отрасъл, в който той работи, брой зависими, месечни разходи, предишни заеми, ако има такива, схема на разход, кредитна история и т.н. и въз основа на тази информация бихме склонни да изчислим дали той трябва да бъде даден заем или не.
Има много стандартни алгоритми за машинно обучение, които се използват за решаване на проблема с класификацията. Логистичната регресия е един такъв метод, вероятно най-широко използван и най-добре познат, също и най-старият. Освен това имаме и някои от най-модерните и сложни модели, вариращи от дърво на решения до произволна гора, AdaBoost, XP boost, поддържащи векторни машини, наивна баиза и невронна мрежа. От последните няколко години задълбоченото обучение работи на преден план. Обикновено невралната мрежа и дълбокото обучение се използват за класифициране на изображения. Ако има сто хиляди изображения на котки и кучета и искате да напишете код, който автоматично може да раздели изображенията на котки и кучета, може да искате да потърсите методи за дълбоко обучение като конволюционна невронна мрежа. Факел, кафене, поток на сензори и др. Са някои от популярните библиотеки в python, които правят задълбочено обучение.
За измерване на точността на регресионните модели се използват показатели като фалшиво положителна скорост, фалшиво отрицателна скорост, чувствителност и др.
регресия
Регресията е друг клас проблеми в машинното обучение, където се опитваме да предвидим непрекъснатата стойност на променлива вместо клас за разлика от класификационните проблеми. Регресионните техники обикновено се използват за прогнозиране на цената на акциите на акциите, продажната цена на къща или автомобил, търсенето на определен артикул и т.н. Когато имотите от времеви серии също влязат в игра, проблемите с регресията стават много интересни за решаване. Линейната регресия с най-малък обикновен квадрат е един от класическите алгоритми за машинно обучение в тази област. За модел, базиран на времеви серии, се използват ARIMA, експоненциална подвижна средна стойност, претеглена подвижна средна стойност и проста подвижна средна стойност.
За да се измери точността на регресионните модели, се използват показатели като средно квадратна грешка, абсолютна средна квадратна грешка, квадратна грешка на коренната мярка и др.
Предсказуем анализ
Има някои области на припокриване между машинното обучение и прогнозната анализа. Докато обичайните техники като логистична и линейна регресия попадат както в машинното обучение, така и в прогнозната анализа, напредналите алгоритми като дърво на решения, случайна гора и др. Са по същество машинно обучение. При прогнозна анализа целта на проблемите остава много тясна, където намерението е да се изчисли стойността на определена променлива в бъдещ момент. Прогнозната аналитика е много натоварена със статистически данни, докато машинното обучение е по-скоро смес от статистика, програмиране и математика. Типичният аналитичен анализатор прекарва времето си, изчислявайки t квадрат, f статистика, Innova, chi-square или обикновен най-малък квадрат. Въпроси от типа на това дали данните са нормално разпределени или изкривени, трябва ли да се използва t разпространението на ученика или да се използва крива на звънеца, трябва ли алфа да се приема при 5% или 10% грешки през цялото време. Те търсят дявола в детайли. Машинно инженерно обучение не се притеснява от много от тези проблеми. Главоболието им е напълно различно, те се задържат при подобряване на точността, фалшиво-положителна минимизация на скоростта, работа с външни работи, нормализиране на обхвата или валидиране на k кратно.
Предсказващият анализатор използва най-вече инструменти като excel. Сценарият или търсенето на цел са любимите им. Понякога използват VBA или micros и почти не пишат дълъг код. Инженерът на машинно обучение прекарва цялото си време в писане на сложен код извън общото разбиране, той използва инструменти като R, Python, Saas. Програмирането е тяхната основна работа, коригиране на бъгове и тестване на различните пейзажи ежедневие.
Тези различия носят съществена разлика в тяхното търсене и заплата. Докато аналитичните прогнози са вчера, машинното обучение е бъдещето. Типичният инженер за машинно обучение или учен с данни (както се нарича най-вече тези дни) се плаща с 60-80% повече от типичния софтуерен инженер или прогнозиращ анализатор по този въпрос и те са основният двигател в съвременния свят с активирани технологии. Uber, Amazon и сега самоуправляващи се автомобили също са възможни заради тях.
Сравнение между главата на машинното обучение срещу прогнозната аналитика (Инфографика)
По-долу е топ 7 сравнението между машинно обучение и прогнозна анализа
Таблица за машинно обучение срещу прогнозна анализа
По-долу е подробното обяснение на машинното обучение срещу прогнозната анализа
| Машинно обучение | Предсказуем анализ |
| Това е общ термин, обхващащ различни подполета, включително прогнозна анализа. | Може да се третира като подполе на машинно обучение. |
| Силно кодирано ориентирано. | Предимно стандартно ориентиран към софтуера, когато потребителят не трябва да кодира много себе си |
| Счита се, че е генериран от компютърни науки, т.е. компютърните науки могат да се разглеждат като родител тук. | Тук статистиката може да се третира като родител. |
| Това е технологията на утрешния ден. | Така е вчера. |
| Това е машина, доминирана от много техники, които са трудни за разбиране, но работят като чар като дълбоко учене. | Той е доминиран от потребители с техники, които трябва да бъдат интуитивни, за да може потребителят да ги разбере и приложи. |
| Използват се инструменти като R, Python, SaaS. | Използват се Excel, SPSS, Minitab. |
| Той е много широк и непрекъснато се разширява. | Той има много ограничен обхват и приложение. |
Заключение - Машинното обучение срещу прогнозната анализа
От горната дискусия както за машинното обучение, така и за прогнозната аналитика става ясно, че прогнозната анализа е в основата на подполето на машинното обучение. Машинното обучение е по-универсално и е в състояние да реши широк спектър от проблеми.
Препоръчителен член
Това е ръководство за машинно обучение срещу прогнозна анализа, тяхното значение, сравнение между главата, ключови разлики, таблица на сравнението и заключение. Можете също да разгледате следните статии, за да научите повече -
- Научете големи данни срещу машинно обучение
- Разлика между Data Science спрямо машинно обучение
- Сравнение между Predictive Analytics и Data Science
- Анализ на данни срещу прогнозна аналитика - кой е полезен