Övervakad mot oövervakad inlärning

Inom maskinlärning kan de flesta uppgifter lätt kategoriseras i en av två olika klasser: övervakade inlärningsproblem eller oövervakade inlärningsproblem. I övervakad inlärning har data etiketter eller klasser tillagda, medan i fallet med oövervakad inlärning är data oetablerad. Låt oss ta en närmare titt på varför denna distinktion är viktig och titta på några av de algoritmer som är associerade med varje typ av inlärning.

Övervakad vs oövervakad inlärning

De flesta maskinlärningsuppgifter är inom området övervakad inlärning. I övervakade inlärningsalgoritmer har de enskilda instanserna/data punkterna i datasetet en klass eller etikett tillagd. Detta innebär att maskinlärningsmodellen kan lära sig att skilja på vilka funktioner som korrelerar med en given klass och att maskinläringsingenjören kan kontrollera modellens prestanda genom att se hur många instanser som korrekt klassificerades. Klassificeringsalgoritmer kan användas för att urskilja många komplexa mönster, så länge data är etiketterad med rätt klasser. Till exempel kan en maskinlärningsalgoritm lära sig att skilja på olika djur från varandra baserat på egenskaper som “vibriss”, “svans”, “klor” etc.

I kontrast till övervakad inlärning, innebär oövervakad inlärning att skapa en modell som kan extrahera mönster från oetablerad data. Med andra ord analyserar datorn ingångsfunktionerna och bestämmer själv vilka funktioner och mönster som är viktigast. Oövervakad inlärning försöker hitta de inneboende likheterna mellan olika instanser. Om en övervakad inlärningsalgoritm syftar till att placera data punkter i kända klasser, kommer oövervakade inlärningsalgoritmer att undersöka de funktioner som är gemensamma för objektsinstanserna och placera dem i grupper baserat på dessa funktioner, i princip skapa sina egna klasser.

Exempel på övervakade inlärningsalgoritmer är Linjär Regression, Logistisk Regression, K-närmaste grannar, BeslutsTräd och Stödvektor maskiner.

Medan några exempel på oövervakade inlärningsalgoritmer är Huvudkomponentsanalys och K-medelklustering.

Övervakad inlärningsalgoritm

Linjär regression är en algoritm som tar två funktioner och ritade ut relationen mellan dem. Linjär regression används för att förutsäga numeriska värden i relation till andra numeriska variabler. Linjär regression har ekvationen Y = a + bX, där b är linjens lutning och a är där y korsar X-axeln.

Logistisk regression är en binär klassificeringsalgoritm. Algoritmen undersöker relationen mellan numeriska funktioner och hittar sannolikheten att instansen kan klassificeras i en av två olika klasser. Sannolikheterna “kramas” mot antingen 0 eller 1. Med andra ord, starka sannolikhet kommer att närma sig 0,99 medan svaga sannolikhet kommer att närma sig 0.

K-närmaste grannar tilldelar en klass till nya data punkter baserat på de tilldelade klasserna för några valda grannar i träningsuppsättningen. Antalet grannar som övervägs av algoritmen är viktigt, och för få eller för många grannar kan missklassificera punkter.

BeslutsTräd är en typ av klassificerings- och regressionsalgoritm. Ett beslutsTräd fungerar genom att dela upp en dataset i mindre och mindre delar tills underdelarna inte kan delas längre och vad som resulterar är ett träd med noder och blad. Noderna är där beslut om data punkter fattas med hjälp av olika filterkriterier, medan bladen är instanserna som har tilldelats någon etikett (en data punkt som har klassificerats). BeslutsTräd-algoritmer kan hantera både numeriska och kategoriska data. Delningar görs i trädet på specifika variabler/funktioner.

Stödvektor maskiner är en klassificeringsalgoritm som fungerar genom att rita hyperplan, eller skilje linjer, mellan data punkter. Data punkter delas in i klasser baserat på vilken sida av hyperplanet de är på. Flera hyperplan kan ritas över en plan, som delar en dataset i flera klasser. Klassificeringen kommer att försöka maximera avståndet mellan den skiljande hyperplanet och punkterna på båda sidor av planet, och ju större avståndet mellan linjen och punkterna, desto mer säker är klassificeringen.

Oövervakad inlärningsalgoritmer

Huvudkomponentsanalys är en teknik som används för att minska dimensioner, vilket innebär att dimensioner eller komplexitet i data representeras på ett enklare sätt. Huvudkomponentsanalys-algoritmen hittar nya dimensioner för data som är ortogonala. Medan dimensioner i data minskas, bör variansen mellan data bevaras så mycket som möjligt. Vad detta innebär i praktiska termer är att det tar funktionerna i datasetet och destillerar dem ner till färre funktioner som representerar mest data.

K-medelklustering är en algoritm som automatiskt grupperar data punkter i kluster baserat på liknande funktioner. Mönstren i datasetet analyseras och datapunkterna delas in i grupper baserat på dessa mönster. I princip skapar K-medelklustering sina egna klasser från oetablerad data. K-medelklustering-algoritmen fungerar genom att tilldela centra till klustren, eller centroider, och flytta centroiderna tills den optimala positionen för centroiderna hittas. Den optimala positionen kommer att vara en där avståndet mellan centroiderna och de omgivande datapunkterna inom klassen är minimerat. “K” i K-medelklustering refererar till hur många centroider som har valts.

Sammanfattning

För att avsluta, låt oss gå igenom de viktigaste skillnaderna mellan övervakad och oövervakad inlärning.

Som vi tidigare diskuterade, i övervakade inlärningsuppgifter är indata etiketterad och antalet klasser är kända. Medan indata är oetablerad och antalet klasser inte är kända i oövervakade inlärningsfall. Oövervakad inlärning tenderar att vara mindre beräkningsmässigt komplex, medan övervakad inlärning tenderar att vara mer beräkningsmässigt komplex. Medan övervakade inlärningsresultat tenderar att vara mycket exakta, tenderar oövervakade inlärningsresultat att vara mindre exakta/moderat exakta.