Dozorované proti nedozorované učení

V strojovém učení lze většinu úkolů snadno zařadit do jedné ze dvou různých tříd: problémy dozorovaného učení nebo problémy nedozorovaného učení. V dozorovaném učení má data připojené štítky nebo třídy, zatímco v případě nedozorovaného učení jsou data bez štítků. Podívejme se blíže na to, proč je toto rozlišení důležité, a proberme některé algoritmy spojené s každým typem učení.

Dozorované vs nedozorované učení

Většina úkolů strojového učení spadá do oblasti dozorovaného učení. V algoritmech dozorovaného učení mají jednotlivé instance/datové body v datové sadě přiřazenou třídu nebo štítek. To znamená, že model strojového učení může naučit rozlišovat, které funkce jsou spojeny s danou třídou, a že inženýr strojového učení může zkontrolovat výkon modelu tím, že uvidí, kolik instancí bylo správně klasifikováno. Algoritmy klasifikace lze použít k rozlišení mnoha složitých vzorců, pokud je data označena příslušnými třídami. Například algoritmus strojového učení může naučit rozlišovat různé zvířata na základě charakteristik, jako jsou “vousy”, “ocas”, “drápy” atd.

Na rozdíl od dozorovaného učení zahrnuje nedozorované učení vytváření modelu, který může extrahovat vzorce z neoznačených dat. Jinými slovy, počítač analyzuje vstupní funkce a sám určí, které funkce a vzorce jsou nejdůležitější. Nedozorované učení se snaží najít vnitřní podobnosti mezi různými instancemi. Pokud algoritmus dozorovaného učení cílí na umístění datových bodů do známých tříd, algoritmy nedozorovaného učení prozkoumají funkce společné pro instance objektů a umístí je do skupin na základě těchto funkcí, což vlastně vytváří své vlastní třídy.

Příklady algoritmů dozorovaného učení jsou Lineární Regrese, Logistická Regrese, K-Nearest Neighbors, Rozhodovací Stromy a Support Vector Machines.

Mezitím jsou některé příklady algoritmů nedozorovaného učení Principal Component Analysis a K-Means Clustering.

Algoritmus dozorovaného učení

Lineární Regrese je algoritmus, který bere dvě funkce a vykresluje vztah mezi nimi. Lineární Regrese se používá k předpovědi numerických hodnot ve vztahu k jiným numerickým proměnným. Lineární Regrese má rovnici Y = a + bX, kde b je sklon přímky a a je místo, kde y protíná osu X.

Logistická Regrese je binární klasifikační algoritmus. Algoritmus prozkoumá vztah mezi numerickými funkcemi a najde pravděpodobnost, že instance může být klasifikována do jedné ze dvou různých tříd. Pravděpodobnostní hodnoty jsou “stlačeny” směrem k 0 nebo 1. Jinými slovy, silné pravděpodobnosti se budou blížit 0,99, zatímco slabé pravděpodobnosti se budou blížit 0.

K-Nearest Neighbors přiřazuje třídu novým datovým bodům na základě tříd některých vybraných sousedů v trénovací sadě. Počet sousedů, které algoritmus zvažuje, je důležitý, a příliš málo nebo příliš mnoho sousedů může klasifikovat body nesprávně.

Rozhodovací Stromy jsou typem klasifikačního a regresního algoritmu. Rozhodovací strom funguje tak, že rozdělí datovou sadu na menší a menší části, až se části nedají dále rozdělit, a výsledkem je strom s uzly a listy. Uzly jsou místa, kde se rozhodují rozhodnutí o datových bodech pomocí různých filtrů, zatímco listy jsou instance, které byly přiřazeny某 label (datový bod, který byl klasifikován). Algoritmy rozhodovacích stromů jsou schopny zpracovat jak numerické, tak kategorické údaje. Rozdělování ve stromu se provádí na základě konkrétních proměnných/funkcí.

Support Vector Machines jsou klasifikační algoritmus, který funguje tak, že vykresluje hyperrovinu, nebo separační čáru, mezi datovými body. Datové body jsou rozděleny do tříd na základě toho, na které straně hyperroviny se nachází. Mnoho hyperrovin lze vykreslit přes rovinu, rozdělující datovou sadu do více tříd. Klasifikátor se bude snažit maximalizovat vzdálenost mezi separační hyperrovinou a body na obou stranách roviny, a čím větší je vzdálenost mezi linií a body, tím více je klasifikátor jistý.

Algoritmy nedozorovaného učení

Principal Component Analysis je technika používaná pro redukci dimenzionality, což znamená, že dimenzionality nebo složitost dat je reprezentována v jednodušší formě. Algoritmus Principal Component Analysis najde nové dimenze pro data, které jsou ortogonální. Zatímco je redukována dimenzionality dat, měla by být zachována variance mezi daty co nejvíce. To znamená v praktických termínech, že bere funkce v datové sadě a destiluje je do menších funkcí, které reprezentují většinu dat.

K-Means Clustering je algoritmus, který automaticky seskupuje datové body do clusterů na základě podobných funkcí. Vzorce v datové sadě jsou analyzovány a datové body jsou rozděleny do skupin na základě těchto vzorců. Základní K-Means vytváří své vlastní třídy z neoznačených dat. Algoritmus K-Means funguje tak, že přiřazuje centra clusterům, nebo centroidy, a pohybuje centroidy, až se najde optimální pozice pro centroidy. Optimální pozice bude taková, kde je vzdálenost mezi centroidy a okolními datovými body uvnitř třídy minimalizována. “K” v K-Means Clusteringu odkazuje na počet centroidů, které byly vybrány.

Shrnutí

Na závěr se rychle podívejme na klíčové rozdíly mezi dozorovaným a nedozorovaným učením.

Jako jsme již dříve diskutovali, v úkolech dozorovaného učení je vstupní data označeno a počet tříd je znám. Mezitím je vstupní data neoznačeno a počet tříd není znám v případech nedozorovaného učení. Nedozorované učení tenduje být méně výpočetně složitým, zatímco dozorované učení tenduje být více výpočetně složitým. Zatímco výsledky dozorovaného učení tendují být vysoce přesné, výsledky nedozorovaného učení tendují být méně přesné/moderátně přesné.