Valvottu vastaan Valvomaton Oppiminen

Koneoppimisessa useimmat tehtävät voidaan helposti luokitella jompaan kumpaan kahdesta eri luokasta: valvottuihin oppimistehtäviin tai valvomattomiin oppimistehtäviin. Valvotussa oppimisessa datasta on liitetty merkinnät tai luokat, kun taas valvomattomassa oppimisessa data on merkintämätöntä. Tarkastellaan tarkemmin, miksi tämä ero on tärkeä ja katsotaan joitakin algoritmeja, jotka liittyvät kumpaankin oppimistyyppiin.

Valvottu vs Valvomaton Oppiminen

Useimmat koneoppimistehtävät kuuluvat valvotun oppimisen alaan. Valvotussa oppimisessa yksittäiset datapisteet/kohteet datasetissä on varustettu luokalla tai merkillä. Tämä tarkoittaa, että koneoppimismalli voi oppia erottamaan, mitkä piirteet ovat yhteydessä tiettyyn luokkaan, ja koneoppimisen insinööri voi tarkistaa mallin suorituskyvyn nähdessään, kuinka monta kohtaa on luokiteltu oikein. Luokittelualgoritmeja voidaan käyttää monimutkaisten kuvioiden havaitsemiseen, kunhan data on merkitty oikeilla luokilla. Esimerkiksi koneoppimisalgoritmi voi oppia erottamaan eri eläimiä toisistaan ominaisuuksien perusteella, kuten “vibrisat”, “häntä”, “kynnet” jne.

Toisin kuin valvotussa oppimisessa, valvomaton oppiminen vaatii mallin, joka pystyy löytämään kuvioita merkintämättömästä datasta. Toisin sanoen, tietokone analysoi syöteominaisuuksia ja päättää itse, mitkä ovat tärkeimmät ominaisuudet ja kuviot. Valvomaton oppiminen pyrkii löytämään luonnolliset yhtäläisyydet eri kohteiden välillä. Jos valvottu oppimisalgoritmi pyrkii sijoittamaan datapisteet tunnettuun luokkaan, valvomaton oppimisalgoritmi tarkastelee ominaisuuksia, jotka ovat yhteisiä kohdekohteille, ja sijoittaa ne ryhmiin perustuen näihin ominaisuuksiin, luoden käytännössä omat luokkansa.

Esimerkkejä valvotusta oppimisalgoritmeista ovat Lineaari Regressio, Logistinen Regressio, Lähin Naapuri, Päätöspuut ja Tukeva Vektorikone.

Samalla joitakin esimerkkejä valvomattomista oppimisalgoritmeista ovat Pääkomponenttanalyysi ja K-Means -klusterointi.

Valvottu Oppimisalgoritmi

Lineaari Regressio on algoritmi, joka ottaa kaksi ominaisuutta ja piirtää niiden välisen suhteen. Lineaari Regressio käytetään numeeristen arvojen ennustamiseen muiden numeeristen muuttujien suhteen. Lineaari Regressio on yhtälö Y = a + bX, jossa b on suoran kulmakerroin ja a on piste, jossa y leikkaa X-akselin.

Logistinen Regressio on binääri luokittelualgoritmi. Algoritmi tarkastelee suhdetta numeeristen ominaisuuksien ja löytää todennäköisyyden, että kohde voidaan luokitella yhteen kahdesta eri luokasta. Todennäköisyysarvot “painesivat” kohti 0 tai 1. Toisin sanoen, vahvat todennäköisyydet lähestyvät 0,99, kun taas heikot todennäköisyydet lähestyvät 0.

Lähin Naapuri määrittää luokan uusille datapisteille perustuen valitun määrän naapureiden luokkiin koulutusjoukossa. Naapureiden määrä, jota algoritmi ottaa huomioon, on tärkeä, ja liian vähän tai liian monta naapuria voi johtaa väärään luokitteluun.

Päätöspuut ovat luokittelu- ja regressioalgoritmi. Päätöspuu toimii jakamalla datasetin pienempiin ja pienempiin osiin, kunnes alijoukot eivät voida enää jakaa, ja lopputuloksena on puu, jossa on solmuja ja lehtiä. Solmut ovat kohdat, joissa tehdään päätöksiä datapisteistä eri suodatuskriteerien perusteella, kun taas lehdet ovat datapisteet, joille on annettu joku merkintä (luokiteltu datapiste). Päätöspualgoritmit pystyvät käsittelemään sekä numeerista että kategoriaalista dataa. Jakoa tehdään puussa tiettyjen muuttujien/ominaisuuksien perusteella.

Tukeva Vektorikone on luokittelualgoritmi, joka toimii piirtämällä hyper tasot eli erottelulinjoja datapisteiden välille. Datapisteet jaetaan luokkiin sen mukaan, mille puolelle hyper tasoa ne sijaitsevat. Useita hyper tasoa voidaan piirtää tasolle, jolloin dataset jaetaan useisiin luokkiin. Luokittelija pyrkii maksimoimaan etäisyyden erotteluhyper tasoa ja pisteiden välillä, ja mitä suurempi etäisyys on, sitä varmempi luokittelija on.

Valvomaton Oppimisalgoritmi

Pääkomponenttanalyysi on tekniikka, jota käytetään datakompleksisuuden vähentämiseen, eli data esitetään yksinkertaisemmassa muodossa. Pääkomponenttanalyysialgoritmi löytää uudet ulottuvuudet datasta, jotka ovat toisistaan riippumattomia. Vaikka datakompleksisuus vähenee, datan välinen varianssi pyritään säilyttämään mahdollisimman hyvin. Käytännössä tämä tarkoittaa, että se ottaa datasetin ominaisuudet ja tiivistää ne vähemmän ominaisuuksiin, jotka edustavat suurimman osan datasta.

K-Means -klusterointi on algoritmi, joka ryhmittelee datapisteet automaattisesti klustereihin perustuen samankaltaisiin ominaisuuksiin. Datasetin sisäiset kuviot analysoidaan ja datapisteet jaetaan ryhmiin perustuen näihin kuvioihin. K-Means luo käytännössä omat luokkansa merkintämättömästä datasta. K-Means -algoritmi toimii asettamalla keskipisteet klustereille eli sentroideja ja siirtämällä sentroideja, kunnes optimaalinen sijainti sentroideille on löydetty. Optimaalinen sijainti on sellainen, jossa etäisyys sentroidien ja ympäröivien datapisteiden välillä on minimisoitu. K-Means -klusteroinnissa “K” viittaa siihen, kuinka monta sentroiota on valittu.

Yhteenveto

Lopuksi katsotaan nopeasti yhteen valvotun ja valvomattoman oppimisen keskeiset erot.

Kuten aiemmin käytiin läpi, valvotussa oppimistehtävissä syötedata on merkitty ja luokkien määrä on tiedossa. Valvomattomassa oppimisessa syötedata on merkintämätöntä ja luokkien määrä ei ole tiedossa. Valvomaton oppiminen on taipuvainen olemaan vähemmän laskennallisesti monimutkainen, kun taas valvottu oppiminen on taipuvainen olemaan enemmän laskennallisesti monimutkainen. Vaikka valvotun oppimisen tulokset ovat yleensä erittäin tarkkoja, valvomattoman oppimisen tulokset ovat yleensä vähemmän tarkkoja / kohtalaisen tarkkoja.