Nadzorowane kontra Nienadzorowane Uczenie

W uczeniu maszynowym większość zadań można łatwo zaklasyfikować do jednej z dwóch różnych klas: zadania uczenia nadzorowanego lub zadania uczenia nienadzorowanego. W uczeniu nadzorowanym dane mają dołączone etykiety lub klasy, podczas gdy w przypadku uczenia nienadzorowanego dane są nieoznaczone. Przyjrzyjmy się bliżej, dlaczego ta różnica jest ważna i spójrzmy na niektóre algorytmy związane z każdym typem uczenia.

Nadzorowane vs Nienadzorowane Uczenie

Większość zadań uczenia maszynowego należy do dziedziny uczenia nadzorowanego. W algorytmach uczenia nadzorowanego poszczególne instancje/punkty danych w zbiorze danych mają przypisaną klasę lub etykietę. Oznacza to, że model uczenia maszynowego może nauczyć się rozróżniać, które cechy są skorelowane z daną klasą, oraz że inżynier uczenia maszynowego może sprawdzić wydajność modelu, widząc, ile instancji zostało poprawnie sklasyfikowanych. Algorytmy klasyfikacji mogą być używane do rozróżnienia wielu złożonych wzorców, o ile dane są oznaczone odpowiednimi klasami. Na przykład algorytm uczenia maszynowego może nauczyć się rozróżniać różne zwierzęta na podstawie cech takich jak “wibrysy”, “ogon”, “pazury” itp.

W przeciwieństwie do uczenia nadzorowanego, uczenie nienadzorowane obejmuje tworzenie modelu, który może wyodrębnić wzorce z nieoznaczonych danych. Innymi słowy, komputer analizuje cechy wejściowe i samodzielnie określa, które cechy i wzorce są najważniejsze. Uczenie nienadzorowane próbuje znaleźć wewnętrzne podobieństwa między różnymi instancjami. Jeśli algorytm uczenia nadzorowanego ma na celu umieszczenie punktów danych w znanych klasach, algorytmy uczenia nienadzorowanego będą analizować cechy wspólne dla instancji obiektów i umieszczą je w grupach na podstawie tych cech, tworząc w ten sposób własne klasy.

Przykładami algorytmów uczenia nadzorowanego są liniowa regresja, logistyczna regresja, najbliższy sąsiad, drzewa decyzyjne i maszyny wektorowe nośne.

Tymczasem przykładami algorytmów uczenia nienadzorowanego są analiza głównych składowych i klastryzacja K-średnich.

Algorytm Uczenia Nadzorowanego

Liniowa regresja to algorytm, który przyjmuje dwie cechy i wykreśla zależność między nimi. Liniowa regresja jest używana do przewidywania wartości numerycznych w odniesieniu do innych zmiennych numerycznych. Liniowa regresja ma równanie Y = a + bX, gdzie b jest nachyleniem linii, a a to miejsce, w którym y przecina oś X.

Logistyczna regresja to algorytm klasyfikacji binarnej. Algorytm analizuje zależność między cechami numerycznymi a znajduje prawdopodobieństwo, że instancja może być sklasyfikowana do jednej z dwóch różnych klas. Wartości prawdopodobieństwa są “ściskane” w kierunku 0 lub 1. Innymi słowy, silne prawdopodobieństwa zbliżają się do 0,99, podczas gdy słabe prawdopodobieństwa zbliżają się do 0.

Najbliższy sąsiad przypisuje klasę nowym punktom danych na podstawie przypisanych klas pewnej liczby sąsiadów w zbiorze treningowym. Liczba sąsiadów branych pod uwagę przez algorytm jest ważna, a zbyt mała lub zbyt duża liczba sąsiadów może błędnie sklasyfikować punkty.

Drzewa decyzyjne to rodzaj algorytmu klasyfikacji i regresji. Drzewo decyzyjne działa przez podział zbioru danych na mniejsze i mniejsze części, aż podzbiory nie mogą być dalej dzielone, w wyniku czego powstaje drzewo z węzłami i liśćmi. Węzły to miejsca, w których podejmowane są decyzje o punktach danych przy użyciu różnych kryteriów filtrowania, podczas gdy liście to instancje, które zostały przypisane do pewnej etykiety (punkt danych, który został sklasyfikowany). Algorytmy drzew decyzyjnych mogą obsługiwać zarówno dane numeryczne, jak i kategorialne. Podziały w drzewie są wykonywane na określonych zmiennych/cechach.

Maszyny wektorowe nośne to algorytm klasyfikacji, który działa przez rysowanie hiperpłaszczyzn, czyli linii separacji, między punktami danych. Punkty danych są dzielone na klasy na podstawie strony hiperpłaszczyzny, po której się znajdują. Można narysować wiele hiperpłaszczyzn na płaszczyźnie, dzieląc zbiór danych na wiele klas. Klasyfikator będzie próbował maksymalizować odległość między hiperpłaszczyzną a punktami po obu stronach płaszczyzny, a im większa odległość między linią a punktami, tym bardziej klasyfikator jest pewny.

Algorytmy Uczenia Nienadzorowanego

Analiza głównych składowych to technika używana do redukcji wymiarowości, co oznacza, że wymiarowość lub złożoność danych jest reprezentowana w prostszy sposób. Algorytm analizy głównych składowych znajduje nowe wymiary dla danych, które są ortogonalne. Podczas gdy wymiarowość danych jest zmniejszona, wariancja między danymi powinna być zachowana jak najwięcej. Oznacza to w praktyce, że bierze cechy w zbiorze danych i destyluje je do mniejszej liczby cech, które reprezentują większość danych.

Klastryzacja K-średnich to algorytm, który automatycznie grupuje punkty danych w klastry na podstawie podobnych cech. Wzorce w zbiorze danych są analizowane, a punkty danych są dzielone na grupy na podstawie tych wzorców. Podstawowo klastryzacja K-średnich tworzy własne klasy z nieoznaczonych danych. Algorytm klastryzacji K-średnich działa przez przypisanie centrów klastrów, czyli centroidów, i przesunięcie centroidów, aż optymalna pozycja centroidów zostanie znaleziona. Optymalna pozycja będzie taka, w której odległość między centroidami a otaczającymi punktami danych wewnątrz klasy jest minimalizowana. “K” w klastryzacji K-średnich odnosi się do liczby wybranych centroidów.

Podsumowanie

Na zakończenie, przyjrzyjmy się szybko kluczowym różnicom między uczeniem nadzorowanym i nienadzorowanym.

Jak wcześniej omawialiśmy, w zadaniach uczenia nadzorowanego dane wejściowe są oznaczone, a liczba klas jest znana. Tymczasem dane wejściowe są nieoznaczone, a liczba klas nie jest znana w przypadku uczenia nienadzorowanego. Uczenie nienadzorowane ma tendencję do bycia mniej złożonym obliczeniowo, podczas gdy uczenie nadzorowane ma tendencję do bycia bardziej złożonym obliczeniowo. Podczas gdy wyniki uczenia nadzorowanego mają tendencję do bycia bardzo dokładnymi, wyniki uczenia nienadzorowanego mają tendencję do bycia mniej dokładnymi/umiarkowanie dokładnymi.