Наблюдавано срещу ненаблюдавано обучение: Разлика между тях

Ключова разлика между контролирано и неконтролирано обучение

• При контролирано обучение вие ​​обучавате машината, като използвате данни, които са добре „етикетирани“.
• Неконтролираното обучение е техника за машинно обучение, при която не е необходимо да контролирате модела.
• Контролираното обучение ви позволява да събирате данни или да създавате изходни данни от предишния опит.
• Машинното обучение без надзор ви помага да намирате всякакви неизвестни модели в данните.
• Регресията и класификацията са два вида техники за контролирано машинно обучение.
• Clusterобучението и асоциирането са два вида неконтролирано учене.
• В модел на контролирано обучение ще бъдат дадени входни и изходни променливи, докато с модел на обучение без надзор ще бъдат дадени само входни данни

Какво е контролирано машинно обучение?

При контролирано обучение вие ​​обучавате машината с помощта на данни, което е добре „етикетиран.” Това означава, че някои данни вече са маркирани с правилния отговор. Може да се сравни с учене, което се провежда в присъствието на ръководител или учител.

Алгоритъм за контролирано обучение се учи от етикетирани данни за обучение, помага ви да предвидите резултати за непредвидени данни. Успешното изграждане, мащабиране и внедряване на точен модел за наука за данни с контролирано машинно обучение изисква време и технически опит от екип от висококвалифицирани специалисти по данни. Освен това специалистът по данни трябва да възстанови моделите, за да се увери, че предоставените прозрения остават верни, докато данните не се променят.

Какво е обучение без надзор?

Неконтролираното обучение е техника за машинно обучение, при която не е необходимо да контролирате модела. Вместо това трябва да позволите на модела да работи сам, за да открие информация. Той се занимава главно с немаркирани данни.

Алгоритмите за неконтролирано обучение ви позволяват да изпълнявате по-сложни задачи за обработка в сравнение с контролираното обучение. Въпреки това, обучението без надзор може да бъде по-непредсказуемо в сравнение с други методи за задълбочено обучение при естествено обучение и методи за обучение с подсилване.

Защо контролирано обучение?

• Контролираното обучение ви позволява да събирате данни или да създавате изходни данни от предишния опит.
• Помага ви да оптимизирате критериите за ефективност, като използвате опита
• Контролираното машинно обучение ви помага да решавате различни видове изчислителни проблеми в реалния свят.

Защо обучение без надзор?

Ето основните причини за използването на неконтролирано обучение:

• Машинното обучение без надзор открива всякакви неизвестни модели в данните.
• Неконтролираните методи ви помагат да намерите функции, които могат да бъдат полезни за категоризиране.
• Провежда се в реално време, така че всички входни данни да бъдат анализирани и етикетирани в присъствието на обучаемите.
• По-лесно е да получите немаркирани данни от компютър, отколкото етикетирани данни, които се нуждаят от ръчна намеса.

Как работи контролираното обучение?

Например искате да обучите машина, която да ви помогне да предвидите колко време ще ви отнеме да се приберете от работното си място. Тук започвате със създаване на набор от етикетирани данни. Тези данни включват

• Метеорологични условия
• Време на деня
• Ваканция

Всички тези подробности са вашите входове. Резултатът е времето, необходимо за прибиране вкъщи в този конкретен ден.

Инстинктивно знаете, че ако навън вали, ще ви отнеме повече време, за да се приберете. Но машината се нуждае от данни и статистика.

Нека да видим сега как можете да разработите модел на контролирано обучение от този пример, който помага на потребителя да определи времето за пътуване до работното място. Първото нещо, което трябва да създадете, е набор от данни за обучение. Този тренировъчен набор ще съдържа общото време за пътуване до работното място и съответните фактори като време, време и т.н. Въз основа на този тренировъчен набор вашата машина може да види, че има пряка връзка между количеството дъжд и времето, което ще ви отнеме, за да се приберете у дома.

Така че установява, че колкото повече вали, толкова по-дълго ще шофирате, за да се върнете в дома си. Може също така да види връзката между времето, в което тръгвате от работа, и времето, в което ще сте на път.

Колкото по-близо сте до 6 часа, толкова повече време ви отнема да се приберете. Вашата машина може да намери някои от връзките с вашите етикетирани данни.

Това е началото на вашия модел на данни. Започва да оказва влияние върху начина, по който хората шофират. Също така започва да се вижда, че повече хора пътуват през определено време от деня.

Как работи неконтролираното обучение?

Да вземем случая с едно бебе и нейното семейно куче.

Тя познава и идентифицира това куче. Няколко седмици по-късно приятел на семейството води със себе си куче и се опитва да си играе с бебето.

Бейби не е виждал това куче по-рано. Но разпознава много характеристики (2 уши, очи, ходене на 4 крака) като нейното домашно куче. Тя идентифицира ново животно като куче. Това е обучение без надзор, при което не ви обучават, а вие учите от данните (в този случай данни за куче). Ако това беше обучение под надзор, приятелят на семейството щеше да каже на бебето, че е куче.

Видове контролирани техники за машинно обучение

Регресия

Техниката на регресия прогнозира единична изходна стойност, използвайки данни за обучение.

Пример: Можете да използвате регресия, за да предвидите цената на къщата от данни за обучение. Входните променливи ще бъдат местоположение, размер на къща и т.н.

Класификация

Класификация означава групиране на изхода в клас. Ако алгоритъмът се опитва да етикетира входа в два различни класа, това се нарича двоична класификация. Изборът между повече от два класа се нарича многокласова класификация.

Пример: Определяне дали някой ще бъде неплатенец по заема.

Силни: Резултатите винаги имат вероятностна интерпретация и алгоритъмът може да бъде регулиран, за да се избегне пренастройване.

Слабости: Логистичната регресия може да се представи по-слабо, когато има множество или нелинейни граници на решения. Този метод не е гъвкав, така че не улавя по-сложни връзки.

Видове неконтролирани техники за машинно обучение

Проблеми с обучението без надзор, допълнително групирани в проблеми с групиране и асоцииране.

ClusterING

Clustering е важна концепция, когато става дума за учене без надзор. Основно се занимава с намиране на структура или модел в колекция от некатегоризирани данни. Clusterалгоритмите ще обработят вашите данни и ще намерят естествени клъстери (групи), ако съществуват в данните. Можете също да промените колко клъстера трябва да идентифицират вашите алгоритми. Тя ви позволява да регулирате детайлността на тези групи.

Асоциация

Правилата за асоцииране ви позволяват да установявате асоциации между обекти с данни в големи бази данни. Тази техника без надзор е за откриване на вълнуващи връзки между променливи в големи бази данни. Например, хората, които купуват нов дом, най-вероятно ще купуват нови мебели.

Други примери:

• Подгрупа пациенти с рак, групирани според техните измервания на генната експресия
• Групи от купувачи въз основа на тяхната история на сърфиране и покупки
• Групиране на филми по оценка, дадена от зрителите на филми

Разлика между контролирано и неконтролирано обучение

параметри	Техника за контролирано машинно обучение	Техника за машинно обучение без надзор
Процес	В модел на контролирано обучение ще бъдат дадени входни и изходни променливи.	При модел на обучение без надзор ще бъдат дадени само входни данни
Входни данни	Algorithms се обучават с помощта на етикетирани данни.	Algorithms се използват срещу данни, които не са етикетирани
Algorithms Употребяван	Поддържаща векторна машина, невронна мрежа, линейна и логистична регресия, произволна гора и класификационни дървета.	Неконтролираните алгоритми могат да бъдат разделени на различни категории: като Cluster алгоритми, K-средни стойности, йерархично групиране и др.
Изчислителна сложност	Обучението под наблюдение е по-прост метод.	Ученето без надзор е сложно изчислително
Използване на данни	Моделът за контролирано обучение използва данни за обучение, за да научи връзката между входа и изхода.	Неконтролираното обучение не използва изходни данни.
Точност на резултатите	Много точен и надежден метод.	Less точен и надежден метод.
Обучение в реално време	Методът на обучение се провежда офлайн.	Методът на обучение се провежда в реално време.
Брой класове	Броят на класовете е известен.	Броят на класовете не е известен.
Основен недостатък	Класифицирането на големи данни може да бъде истинско предизвикателство в контролираното обучение.	Не можете да получите точна информация относно сортирането на данни и изходът като данни, използвани в неконтролирано обучение, е етикетиран и неизвестен.