Pembelajaran Mesin yang Diawasi: Apa itu, Algorithms dengan Contoh

Apa itu Pembelajaran Mesin yang Diawasi?

Pembelajaran Mesin yang Diawasi adalah algoritma yang belajar dari data pelatihan berlabel untuk membantu Anda memprediksi hasil untuk data yang tidak terduga. Dalam Pembelajaran yang diawasi, Anda melatih mesin menggunakan data yang “diberi label” dengan baik. Artinya beberapa data sudah ditandai dengan jawaban yang benar. Hal ini dapat dibandingkan dengan belajar di hadapan seorang supervisor atau seorang guru.

Berhasil membangun, menskalakan, dan menerapkan tepat model pembelajaran mesin yang diawasi membutuhkan waktu dan keahlian teknis dari tim ilmuwan data yang sangat terampil. Lebih-lebih lagi, Data ilmuwan harus membangun kembali model untuk memastikan wawasan yang diberikan tetap benar hingga datanya berubah.

Cara Kerja Pembelajaran yang Diawasi

Pembelajaran mesin yang diawasi menggunakan kumpulan data pelatihan untuk mencapai hasil yang diinginkan. Kumpulan data ini berisi masukan dan keluaran yang benar yang membantu model belajar lebih cepat. Misalnya, Anda ingin melatih mesin untuk membantu Anda memperkirakan berapa lama waktu yang Anda perlukan untuk berkendara pulang dari tempat kerja Anda.

Di sini, Anda mulai dengan membuat sekumpulan data berlabel. Data ini meliputi:

• Kondisi cuaca
• Waktu dalam hari
• Liburan

Semua rincian ini adalah masukan Anda dalam contoh pembelajaran Terbimbing ini. Outputnya adalah jumlah waktu yang dibutuhkan untuk berkendara pulang pada hari tertentu.

Anda secara naluriah tahu bahwa jika di luar hujan, Anda akan membutuhkan waktu lebih lama untuk berkendara pulang. Namun mesin tersebut membutuhkan data dan statistik.

Mari kita lihat beberapa contoh Pembelajaran yang diawasi tentang bagaimana Anda dapat mengembangkan model pembelajaran yang diawasi dari contoh ini yang membantu pengguna menentukan waktu perjalanan. Hal pertama yang perlu Anda buat adalah set pelatihan. Set pelatihan ini akan berisi total waktu perjalanan dan faktor terkait seperti cuaca, waktu, dll. Berdasarkan set pelatihan ini, mesin Anda mungkin melihat adanya hubungan langsung antara jumlah hujan dan waktu yang Anda perlukan untuk sampai di rumah.

Jadi, dipastikan semakin deras hujan, semakin lama pula Anda berkendara untuk pulang ke rumah. Ini mungkin juga melihat hubungan antara waktu Anda pulang kerja dan waktu Anda akan berada di jalan.

Semakin dekat Anda ke jam 6 sore, semakin lama waktu yang Anda perlukan untuk sampai di rumah. Mesin Anda mungkin menemukan beberapa hubungan dengan data berlabel Anda.

Ini adalah awal dari Model Data Anda. Hal ini mulai berdampak pada bagaimana hujan berdampak pada cara orang mengemudi. Hal ini juga mulai terlihat bahwa lebih banyak orang melakukan perjalanan pada waktu tertentu dalam sehari.

Jenis Pembelajaran Mesin yang Diawasi Algorithms

Berikut ini adalah jenis algoritma Supervised Machine Learning:

Regresi

Teknik regresi memprediksi nilai keluaran tunggal menggunakan data pelatihan.

Example: Anda dapat menggunakan regresi untuk memprediksi harga rumah dari data pelatihan. Variabel masukannya adalah lokalitas, ukuran rumah, dll.

Kekuatan: Output selalu memiliki interpretasi probabilistik, dan algoritme dapat diatur untuk menghindari overfitting.

Kelemahan: Regresi logistik mungkin tidak berfungsi dengan baik jika terdapat beberapa batasan keputusan atau non-linier. Metode ini tidak fleksibel, sehingga tidak dapat menangkap hubungan yang lebih kompleks.

Regresi logistik:

Metode regresi logistik digunakan untuk memperkirakan nilai diskrit berdasarkan sekumpulan variabel independen tertentu. Ini membantu Anda memprediksi kemungkinan terjadinya suatu peristiwa dengan memasukkan data ke fungsi logit. Oleh karena itu, ini juga dikenal sebagai regresi logistik. Saat memprediksi probabilitas, nilai keluarannya berada di antara 0 dan 1.

Berikut adalah beberapa jenis Regresi Algorithms

Klasifikasi

Klasifikasi berarti mengelompokkan keluaran di dalam suatu kelas. Jika algoritma mencoba memberi label masukan ke dalam dua kelas berbeda, ini disebut klasifikasi biner. Memilih antara lebih dari dua kelas disebut sebagai klasifikasi multikelas.

Example: Menentukan apakah seseorang akan mangkir pinjaman atau tidak.

Kekuatan: Pohon klasifikasi berkinerja sangat baik dalam praktiknya

Kelemahan: Jika tidak dibatasi, setiap pohon cenderung mengalami overfitting.

Berikut adalah beberapa jenis Klasifikasi Algorithms

Pengklasifikasi Naive Bayes

Model Naive Bayesian (NBN) mudah dibuat dan sangat berguna untuk kumpulan data besar. Metode ini terdiri dari grafik asiklik langsung dengan satu orang tua dan beberapa anak. Ini mengasumsikan independensi antara node anak yang terpisah dari induknya.

Pohon Keputusan

Pohon keputusan mengklasifikasikan instance dengan mengurutkannya berdasarkan nilai fitur. Dalam metode ini, setiap mode adalah fitur dari sebuah instance. Itu harus diklasifikasikan, dan setiap cabang mewakili nilai yang dapat diasumsikan oleh node. Ini adalah teknik klasifikasi yang banyak digunakan. Dalam metode ini, klasifikasi adalah pohon yang disebut pohon keputusan.

Ini membantu Anda memperkirakan nilai sebenarnya (biaya pembelian mobil, jumlah panggilan, total penjualan bulanan, dll.).

Mendukung Mesin Vektor

Support vector machine (SVM) merupakan salah satu jenis algoritma pembelajaran yang dikembangkan pada tahun 1990. Metode ini didasarkan pada hasil teori pembelajaran statistik yang diperkenalkan oleh Vap Nik.

Mesin SVM juga terkait erat dengan fungsi kernel yang merupakan konsep sentral untuk sebagian besar tugas pembelajaran. Kerangka kerja kernel dan SVM digunakan di berbagai bidang. Ini mencakup pengambilan informasi multimedia, bioinformatika, dan pengenalan pola.

Teknik pembelajaran Mesin yang Diawasi vs. Tanpa Pengawasan

Berdasarkan	Teknik pembelajaran mesin yang diawasi	Teknik pembelajaran mesin tanpa pengawasan
Memasukan data	Algorithms dilatih menggunakan data berlabel.	Algorithms digunakan terhadap data yang tidak diberi label
Kompleksitas Komputasi	Pembelajaran yang diawasi adalah metode yang lebih sederhana.	Pembelajaran tanpa pengawasan memiliki kompleksitas komputasi
Ketepatan	Metode yang sangat akurat dan dapat dipercaya.	Less metode yang akurat dan dapat dipercaya.

Tantangan dalam pembelajaran mesin yang diawasi

Berikut adalah tantangan yang dihadapi dalam pembelajaran mesin yang diawasi:

• Fitur masukan yang tidak relevan pada data pelatihan saat ini dapat memberikan hasil yang tidak akurat
• Persiapan dan pra-pemrosesan data selalu menjadi tantangan.
• Akurasi menurun ketika nilai yang tidak mungkin, tidak mungkin, dan tidak lengkap dimasukkan sebagai data pelatihan
• Jika pakar yang bersangkutan tidak tersedia, maka pendekatan lainnya adalah “brute force.” Artinya, Anda perlu memikirkan fitur yang tepat (variabel masukan) untuk melatih mesin. Ini mungkin tidak akurat.

Keuntungan Pembelajaran yang Diawasi

Berikut keuntungan dari Supervised Machine learning:

• Pembelajaran yang diawasi di Pembelajaran mesin memungkinkan Anda mengumpulkan data atau menghasilkan keluaran data dari pengalaman sebelumnya
• Membantu Anda mengoptimalkan kriteria kinerja menggunakan pengalaman
• Pembelajaran mesin yang diawasi membantu Anda memecahkan berbagai jenis masalah komputasi dunia nyata.

Kekurangan Pembelajaran yang Diawasi

Berikut adalah kelemahan pembelajaran Mesin yang Diawasi:

• Batasan keputusan mungkin dilatih secara berlebihan jika rangkaian pelatihan Anda tidak memiliki contoh yang ingin Anda miliki di kelas
• Anda perlu memilih banyak contoh bagus dari setiap kelas saat Anda melatih pengklasifikasi.
• Mengklasifikasikan data besar bisa menjadi tantangan nyata.
• Pelatihan untuk pembelajaran yang diawasi membutuhkan banyak waktu komputasi.