Pembelajaran Berpengawas melawan Pembelajaran Tanpa Pengawas

Dalam pembelajaran mesin, sebagian besar tugas dapat dengan mudah dikategorikan ke dalam salah satu dari dua kelas yang berbeda: masalah pembelajaran berpengawas atau masalah pembelajaran tanpa pengawas. Dalam pembelajaran berpengawas, data memiliki label atau kelas yang dilampirkan, sedangkan dalam kasus pembelajaran tanpa pengawas, data tidak memiliki label. Mari kita lihat lebih dekat mengapa perbedaan ini penting dan lihat beberapa algoritma yang terkait dengan setiap jenis pembelajaran.

Pembelajaran Berpengawas vs Pembelajaran Tanpa Pengawas

Sebagian besar tugas pembelajaran mesin berada di domain pembelajaran berpengawas. Dalam algoritma pembelajaran berpengawas, contoh-contoh individu/data dalam dataset memiliki kelas atau label yang ditetapkan. Ini berarti bahwa model pembelajaran mesin dapat belajar untuk membedakan fitur mana yang berkorelasi dengan kelas tertentu dan bahwa insinyur pembelajaran mesin dapat memeriksa kinerja model dengan melihat berapa banyak contoh yang diklasifikasikan dengan benar. Algoritma klasifikasi dapat digunakan untuk membedakan pola kompleks, asalkan data dilabeli dengan kelas yang tepat. Misalnya, algoritma pembelajaran mesin dapat belajar untuk membedakan hewan yang berbeda berdasarkan karakteristik seperti “kumis”, “ekor”, “cakar”, dll.

Berbeda dengan pembelajaran berpengawas, pembelajaran tanpa pengawas melibatkan membuat model yang dapat mengekstrak pola dari data yang tidak dilabeli. Dengan kata lain, komputer menganalisis fitur input dan menentukan sendiri fitur dan pola mana yang paling penting. Pembelajaran tanpa pengawas mencoba menemukan kesamaan bawaan antara contoh-contoh yang berbeda. Jika algoritma pembelajaran berpengawas bertujuan untuk mengklasifikasikan data ke dalam kelas yang sudah diketahui, algoritma pembelajaran tanpa pengawas akan menganalisis fitur yang umum pada contoh-contoh dan mengelompokkannya ke dalam kelas berdasarkan fitur tersebut, pada dasarnya membuat kelasnya sendiri.

Contoh algoritma pembelajaran berpengawas adalah Regresi Linier, Regresi Logistik, K-Nearest Neighbors, Decision Trees, dan Support Vector Machines.

Sementara itu, beberapa contoh algoritma pembelajaran tanpa pengawas adalah Principal Component Analysis dan K-Means Clustering.

Algoritma Pembelajaran Berpengawas

Regresi Linier adalah algoritma yang mengambil dua fitur dan memplot hubungan antara keduanya. Regresi Linier digunakan untuk memprediksi nilai numerik dalam kaitannya dengan variabel numerik lain. Regresi Linier memiliki persamaan Y = a + bX, di mana b adalah kemiringan garis dan a adalah tempat y memotong sumbu X.

Regresi Logistik adalah algoritma klasifikasi biner. Algoritma ini menganalisis hubungan antara fitur numerik dan menemukan peluang bahwa contoh dapat diklasifikasikan ke dalam salah satu dari dua kelas yang berbeda. Nilai peluang “ditekan” ke arah 0 atau 1. Dengan kata lain, peluang yang kuat akan mendekati 0,99, sedangkan peluang yang lemah akan mendekati 0.

K-Nearest Neighbors menetapkan kelas ke titik data baru berdasarkan kelas yang ditetapkan untuk sejumlah tetangga dalam set pelatihan. Jumlah tetangga yang dipertimbangkan oleh algoritma sangat penting, dan terlalu sedikit atau terlalu banyak tetangga dapat mengklasifikasikan titik dengan salah.

Decision Trees adalah jenis algoritma klasifikasi dan regresi. Decision Tree bekerja dengan membagi dataset menjadi bagian yang lebih kecil dan lebih kecil sampai subset tidak dapat dibagi lagi, dan hasilnya adalah pohon dengan node dan daun. Node adalah tempat keputusan tentang titik data dibuat menggunakan kriteria penyaringan yang berbeda, sedangkan daun adalah contoh yang telah diberi label (titik data yang telah diklasifikasikan). Algoritma Decision Tree dapat menangani data numerik dan kategorik. Pemisahan dilakukan di pohon berdasarkan variabel/fitur tertentu.

Support Vector Machines adalah algoritma klasifikasi yang bekerja dengan menggambar hiperbidang, atau garis pemisah, antara titik data. Titik data dipisahkan ke dalam kelas berdasarkan sisi hiperbidang mana yang mereka tempati. Banyak hiperbidang dapat digambar melintasi bidang, membagi dataset menjadi beberapa kelas. Klasifikasi akan mencoba memaksimalkan jarak antara hiperbidang pemisah dan titik-titik di kedua sisi bidang, dan semakin besar jarak antara garis dan titik, semakin percaya diri klasifikasi.

Algoritma Pembelajaran Tanpa Pengawas

Principal Component Analysis adalah teknik yang digunakan untuk pengurangan dimensi, yang berarti bahwa dimensi atau kompleksitas data diwakili dalam bentuk yang lebih sederhana. Algoritma Principal Component Analysis menemukan dimensi baru untuk data yang orthogonal. Sementara dimensi data dikurangi, varians antara data harus dipertahankan sebanyak mungkin. Ini berarti dalam hal praktis bahwa ia mengambil fitur-fitur dalam dataset dan menyaringnya menjadi fitur yang lebih sedikit yang mewakili sebagian besar data.

K-Means Clustering adalah algoritma yang mengelompokkan titik data secara otomatis ke dalam cluster berdasarkan fitur yang serupa. Pola dalam dataset dianalisis dan titik data dibagi menjadi kelompok berdasarkan pola tersebut. Pada dasarnya, K-Means membuat kelasnya sendiri dari data yang tidak dilabeli. Algoritma K-Means bekerja dengan menetapkan pusat ke cluster, atau sentroid, dan memindahkan sentroid sampai posisi optimal untuk sentroid ditemukan. Posisi optimal akan menjadi satu di mana jarak antara sentroid dan titik data di sekitar kelas diminimalkan. “K” dalam K-Means Clustering mengacu pada jumlah sentroid yang dipilih.

Rangkuman

Untuk menutup, mari kita lihat kembali perbedaan kunci antara pembelajaran berpengawas dan pembelajaran tanpa pengawas.

Seperti yang kita bahas sebelumnya, dalam tugas pembelajaran berpengawas, data input dilabeli dan jumlah kelas diketahui. Sementara itu, data input tidak dilabeli dan jumlah kelas tidak diketahui dalam kasus pembelajaran tanpa pengawas. Pembelajaran tanpa pengawas cenderung kurang kompleks secara komputasi, sedangkan pembelajaran berpengawas cenderung lebih kompleks secara komputasi. Sementara hasil pembelajaran berpengawas cenderung sangat akurat, hasil pembelajaran tanpa pengawas cenderung kurang akurat/moderat akurat.