Overvåket mot Uovervåket Læring

I maskinlæring kan de fleste oppgaver lett kategoriseres i en av to forskjellige klasser: overvåkede læringproblemer eller uovervåkede læringproblemer. I overvåket læring har data merker eller klasser lagt til det, mens i tilfelle av uovervåket læring er data ikke merket. La oss ta en nærmere titt på hvorfor denne forskjellen er viktig og se på noen av algoritmene som er tilknyttet hver type læring.

Overvåket vs Uovervåket Læring

De fleste maskinlæringsoppgaver er i domenet til overvåket læring. I overvåkede læringalgoritmer har de enkelte instanser/data punktene i datasettet en klasse eller merke tilknyttet dem. Dette betyr at maskinlæringsmodellen kan lære å skille hvilke funksjoner som er korrelert med en gitt klasse og at maskinlæringsingeniøren kan sjekke modellens ytelse ved å se hvor mange instanser som ble riktig klassifisert. Klassifiseringsalgoritmer kan brukes til å skille mange komplekse mønster, så lenge dataene er merket med riktige klasser. For eksempel kan en maskinlæringsalgoritme lære å skille forskjellige dyr fra hverandre basert på karakteristika som “pels”, “hale”, “klør” osv.

I motsetning til overvåket læring, uovervåket læring innebærer å lage en modell som kan trekke ut mønster fra ikke-merket data. Med andre ord analyserer datamaskinen inndatafunksjonene og bestemmer selv hva de viktigste funksjonene og mønstrene er. Uovervåket læring prøver å finne de innebygde likhetene mellom forskjellige instanser. Hvis en overvåket læringalgoritme har som mål å plassere datapunkt i kjente klasser, vil uovervåkede læringalgoritmer undersøke funksjonene som er felles for objektinstansene og plassere dem i grupper basert på disse funksjonene, i praksis å lage sine egne klasser.

Eksempler på overvåkede læringalgoritmer er Lineær Regresjon, Logistisk Regresjon, K-nærmeste Naboer, Beslutningstre og Støtteiningsmaskiner.

I mellomtiden er noen eksempler på uovervåkede læringalgoritmer Prinsipal Komponent Analyse og K-Middel Klustering.

Overvåket Læring Algoritme

Lineær Regresjon er en algoritme som tar to funksjoner og plotter ut forholdet mellom dem. Lineær Regresjon brukes til å forutsi numeriske verdier i forhold til andre numeriske variabler. Lineær Regresjon har ligningen Y = a + bX, hvor b er linjens helning og a er hvor y krysser X-aksen.

Logistisk Regresjon er en binær klassifiseringsalgoritme. Algoritmen undersøker forholdet mellom numeriske funksjoner og finner sannsynligheten for at instansen kan klassifiseres i en av to forskjellige klasser. Sannsynlighetsverdiene “klemmes” mot enten 0 eller 1. Med andre ord vil sterke sannsynligheter nærme seg 0,99, mens svake sannsynligheter vil nærme seg 0.

K-nærmeste Naboer tildeler en klasse til nye datapunkt basert på de tildelede klasser for noen valgte naboer i treningssettet. Antall naboer som vurderes av algoritmen er viktig, og for få eller for mange naboer kan misklassifisere punkt.

Beslutningstre er en type klassifiserings- og regresjonsalgoritme. En beslutningstree opererer ved å dele opp et datasett ned i mindre og mindre deler til undergruppene ikke kan deles lenger, og hva som resulterer er et tre med noder og blad. Nodene er hvor avgjørelser om datapunkt tas ved å bruke forskjellige filterkriterier, mens bladene er instansene som har blitt tildelt noen merke (et datapunkt som har blitt klassifisert). Beslutningstrealgoritmer kan håndtere både numeriske og kategoriske data. Splittene i treet gjøres på bestemte variabler/funksjoner.

Støtteiningsmaskiner er en klassifiseringsalgoritme som opererer ved å tegne hyperplaner, eller skillelinjer, mellom datapunkt. Datapunkt er skilt i klasser basert på hvilken side av hyperplanet de er på. Flere hyperplaner kan tegnes over et plan, og dele datasettet inn i flere klasser. Klassifisereren vil prøve å maksimere avstanden mellom skillehyperplanet og punktene på hver side av planet, og jo større avstanden mellom linjen og punktene er, jo mer sikker er klassifisereren.

Uovervåket Læring Algoritmer

Prinsipal Komponent Analyse er en teknikk som brukes til dimensjonsreduksjon, det vil si at dimensjonaliteten eller kompleksiteten til dataene representeres på en enklere måte. Prinsipal Komponent Analyse-algoritmen finner nye dimensjoner for dataene som er ortogonale. Mens dimensjonaliteten til dataene reduseres, bør variasjonen mellom dataene beholdes så mye som mulig. Dette betyr i praksis at det tar funksjonene i datasettet og destiller dem ned til færre funksjoner som representerer mesteparten av dataene.

K-Middel Klustering er en algoritme som automatisk grupperer datapunkt i kluster basert på like funksjoner. Mønstrene i datasettet analyseres og datapunktene deles inn i grupper basert på disse mønstrene. I praksis lager K-middel sine egne klasser ut av ikke-merket data. K-Middel-algoritmen opererer ved å tildele sentre til klusterne, eller sentroider, og flytte sentroidene til den optimale posisjonen er funnet. Den optimale posisjonen vil være en hvor avstanden mellom sentroidene og de omgivende datapunktene innen klassen er minimert. “K” i K-middel klustering refererer til hvor mange sentroider som er valgt.

Oppsummering

Til slutt, la oss gå gjennom de viktigste forskjellene mellom overvåket og uovervåket læring.

Som vi tidligere diskuterte, i overvåkede læringoppgaver er inndata merket og antall klasser er kjent. I mellomtiden er inndata ikke merket og antall klasser ikke kjent i uovervåkede læringtilfeller. Uovervåket læring tenderer å være mindre komputasjonelt kompleks, mens overvåket læring tenderer å være mer komputasjonelt kompleks. Mens overvåket læring resultater tenderer å være svært nøyaktige, uovervåket læring resultater tenderer å være mindre nøyaktige/moderat nøyaktige.