Skirtumas tarp prižiūrimo ir neprižiūrimo mašininio mokymosi

Pagrindinis skirtumas - prižiūrimas prieš Neprižiūrimas Mašinų mokymasis
 

Privalomas mokymas ir neprižiūrimas mokymasis yra dvi pagrindinės mašininio mokymosi sąvokos. Prižiūrimas mokymasis yra mašininio mokymosi užduotis, skirta išmokti funkciją, kuri nusako įvestį su išvestimi, remiantis įvesties ir išvesties porų pavyzdžiais. Neprižiūrimas mokymasis yra mašininio mokymosi užduotis, leidžianti nustatyti funkciją apibūdinti paslėptą struktūrą iš nepaženklintų duomenų. pagrindinis skirtumas tarp prižiūrimo ir neprižiūrimo mašininio mokymosi yra tai prižiūrimas mokymasis naudoja paženklintus duomenis, o neprižiūrimas mokymasis naudoja nepaženklintus duomenis.

Mašinų mokymasis yra kompiuterių mokslo sritis, suteikianti kompiuterio sistemai galimybę mokytis iš duomenų be aiškiai užprogramuoto. Tai leidžia analizuoti duomenis ir numatyti jų modelius. Yra daugybė mašininio mokymosi programų. Kai kurie iš jų yra veido atpažinimas, gestų atpažinimas ir kalbos atpažinimas. Yra įvairių algoritmų, susijusių su mašininiu mokymu. Kai kurie iš jų yra regresija, klasifikacija ir grupavimas. Dažniausiai pasitaikančios programavimo kalbos, kuriant mašininio mokymosi programas, yra „R“ ir „Python“. Taip pat galima naudoti kitas kalbas, tokias kaip Java, C ++ ir Matlab.

TURINYS

1. Apžvalga ir svarbiausias skirtumas
2. Kas yra prižiūrimas mokymasis
3. Kas yra neprižiūrimas mokymasis
4. Kontroliuojamo ir neprižiūrimo mašininio mokymosi panašumai
5. Šalutinis palyginimas - prižiūrimas ir neprižiūrimas mašinų mokymasis lentelių forma
6. Santrauka

Kas yra prižiūrimas mokymasis?

Mašinų mokymosi sistemose modelis veikia pagal algoritmą. Prižiūrint mokomasi, supervizuojamas modelis. Pirmiausia reikia išmokyti modelį. Turėdamas įgytų žinių, jis gali numatyti atsakymus būsimiems atvejams. Modelis treniruojamas naudojant paženklintą duomenų rinkinį. Kai sistemai pateikiami nepateikti duomenys, ji gali numatyti rezultatą. Žemiau yra maža ištrauka iš populiaraus IRIS duomenų rinkinio.

Pagal aukščiau pateiktą lentelę Sepalo ilgis, Sepalio plotis, Patelio ilgis, Patelio plotis ir Rūšys vadinami atributais. Stulpeliai yra žinomi kaip bruožai. Vienoje eilutėje yra visų atributų duomenys. Todėl viena eilutė vadinama stebėjimu. Duomenys gali būti skaitmeniniai arba kategoriniai. Modeliui pateikiami stebėjimai, įvedant atitinkamą rūšies pavadinimą. Pateikus naują stebėjimą, modelis turėtų numatyti rūšių, kurioms jis priklauso, tipą.

Prižiūrint mokymąsi yra klasifikavimo ir regresijos algoritmai. Klasifikacija - tai pažymėtų duomenų klasifikavimo procesas. Modelis sukūrė ribas, kurios atskyrė duomenų kategorijas. Kai modeliui pateikiami nauji duomenys, jis gali būti klasifikuojamas pagal tai, kur yra taškas. K-artimiausi kaimynai (KNN) yra klasifikavimo modelis. Atsižvelgiant į k reikšmę, nusprendžiama kategorija. Pavyzdžiui, kai k yra 5, jei tam tikras duomenų taškas yra arti aštuonių A kategorijos duomenų taškų ir šešių duomenų taškų B kategorijoje, tada duomenų taškas bus klasifikuojamas kaip A.

Regresija yra ankstesnių duomenų tendencijos prognozavimo procesas numatant naujų duomenų rezultatą. Regresijos būdu išvestį gali sudaryti vienas ar keli ištisiniai kintamieji. Prognozavimas atliekamas naudojant liniją, apimančią daugumą duomenų taškų. Paprasčiausias regresijos modelis yra tiesinė regresija. Tai greita ir nereikalauja nustatymo parametrų, tokių kaip KNN. Jei duomenys rodo parabolinę tendenciją, linijinės regresijos modelis netinka.

Tai yra keletas prižiūrimų mokymosi algoritmų pavyzdžių. Paprastai rezultatai, gauti iš prižiūrimų mokymosi metodų, yra tikslesni ir patikimesni, nes pradiniai duomenys yra gerai žinomi ir paženklinti. Todėl mašina turi analizuoti tik paslėptus modelius.

Kas yra neprižiūrimas mokymasis?

Mokantis be priežiūros, modelis neprižiūrimas. Modelis dirba savarankiškai, kad galėtų numatyti rezultatus. Jis naudojasi mašininio mokymosi algoritmais, kad padarytų išvadas apie nepaženklintus duomenis. Paprastai neprižiūrimi mokymosi algoritmai yra sunkiau nei prižiūrimi mokymosi algoritmai, nes informacijos yra mažai. Klasterizavimas yra neprižiūrimo mokymosi rūšis. Jis gali būti naudojamas nežinomiems duomenims grupuoti naudojant algoritmus. K vidurkis ir tankis pagrįstas grupavimas yra du grupavimo algoritmai.

k-mean algoritmas, k centridą atsitiktinai paskirsto kiekvienai grupei. Tada kiekvienas duomenų taškas priskiriamas artimiausiam centroidui. Euklidinis atstumas naudojamas apskaičiuojant atstumą nuo duomenų taško iki centroido. Duomenų taškai yra suskirstyti į grupes. Vėl apskaičiuojamos k centroidų padėtys. Nauja centroido padėtis nustatoma pagal visų grupės taškų vidurkį. Kiekvienas duomenų taškas vėl priskiriamas artimiausiam centroidui. Šis procesas kartojasi tol, kol centroidai nebepasikeičia. k-mean yra greitas grupavimo algoritmas, tačiau nėra apibrėžta grupavimo taškų iniciacija. Taip pat labai skiriasi klasterizacijos modelių variacijos, pagrįstos klasterio taškų iniciacija.

Kitas grupavimo algoritmas yra Tankis pagrįstas grupavimas. Jis taip pat žinomas kaip tankio pagrindu sukurtos erdvinės klasterizacijos programos su triukšmu. Tai veikia apibrėžiant klasterį kaip maksimalų tankio sujungtų taškų rinkinį. Tai yra du parametrai, naudojami klasifikavimui pagal tankį. Jie yra Ɛ (epsilonas) ir minimalūs taškai. Ɛ yra didžiausias apylinkės spindulys. Minimalūs taškai yra mažiausias taškų skaičius kaimynystėje to, norint apibrėžti klasterį. Tai yra keletas grupių, kurios patenka į neprižiūrimą mokymąsi, pavyzdžių.

Paprastai rezultatai iš neprižiūrimų mokymosi algoritmų nėra tikslūs ir patikimi, nes prieš nustatydamas paslėptus modelius ir funkcijas mašina turi apibrėžti ir pažymėti įvesties duomenis..

Koks yra prižiūrimo ir neprižiūrimo mašininio mokymosi panašumas?

• Tiek prižiūrimas, tiek neprižiūrimas mokymasis yra mašininio mokymosi rūšys.

Kuo skiriasi prižiūrimas ir neprižiūrimas mašinų mokymasis?

Prižiūrimas ir neprižiūrimas mašinų mokymasis
Prižiūrimas mokymasis yra mašininio mokymosi užduotis, skirta išmokti funkciją, kuri nusako įvestį su išvestimi, remiantis įvesties ir išvesties porų pavyzdžiais.	Neprižiūrimas mokymasis yra mašininio mokymosi užduotis, leidžianti nustatyti funkciją apibūdinti paslėptą struktūrą iš nepaženklintų duomenų.
Pagrindinis funkcionalumas
Prižiūrimo mokymosi metu modelis numato rezultatą pagal paženklintus įvesties duomenis.	Neprižiūrimo mokymosi metu modelis nuspėja rezultatą be žymėtų duomenų, identifikuodamas modelius atskirai.
Rezultatų tikslumas
Rezultatai, gauti naudojant prižiūrimus mokymosi metodus, yra tikslesni ir patikimesni.	Rezultatai, gauti naudojant neprižiūrimus mokymosi metodus, nėra daug tikslūs ir patikimi.
Pagrindiniai algoritmai
Yra prižiūrimo mokymosi regresijos ir klasifikavimo algoritmai.	Yra algoritmai, kaip klasteruoti neprižiūrimą mokymąsi.

Santrauka - prižiūrimas prieš Neprižiūrimas Mašinų mokymasis

Privalomas mokymas ir neprižiūrimas mokymasis yra dvi mašininio mokymosi rūšys. Prižiūrimas mokymasis yra mašininio mokymosi užduotis, skirta išmokti funkciją, kuri nusako įvestį su išvestimi, remiantis įvesties ir išvesties porų pavyzdžiais. Neprižiūrimas mokymasis yra mašininio mokymosi užduotis, leidžianti nustatyti funkciją apibūdinti paslėptą struktūrą iš nepaženklintų duomenų. Skirtumas tarp prižiūrimo ir neprižiūrimo mašininio mokymosi yra tas, kad prižiūrimas mokymasis naudoja paženklintus duomenis, o neprižiūrimas mokymasis naudoja nepaženklintus duomenis..

Nuoroda:

1.TheBigDataUniversity. Mašinų mokymasis - prižiūrimas VS neprižiūrimas mokymasis, pažintinė klasė, 2017 m. Kovo 13 d. Galima rasti čia 
2. „Neprižiūrimas mokymasis“. Vikipedija, Wikimedia Foundation, 2018 m. Kovo 20 d. Galima rasti čia 
3. „Prižiūrimas mokymasis“. Vikipedija, „Wikimedia Foundation“, 2018 m. Kovo 15 d. Galima rasti čia

Vaizdo mandagumas:

1. 2727781, pateikė „GDJ“ (viešas domenas) per „pixabay“