Denetimli ve Denetimsiz Öğrenme

Makine öğrenmesinde, çoğu görev kolayca iki farklı sınıfın birine kategorize edilebilir: denetimli öğrenme problemleri veya denetimsiz öğrenme problemleri. Denetimli öğrenmede, verilere etiketler veya sınıflar eklenir, mentre denetimsiz öğrenmede veriler etiketsizdir. Bu ayrımın neden önemli olduğunu ve her öğrenme türüne ait bazı algoritmaları inceleyelim.

Denetimli ve Denetimsiz Öğrenme

Çoğu makine öğrenme görevi denetimli öğrenme alanındadır. Denetimli öğrenme algoritmalarında, veri setindeki her bir örnek/data noktasına bir sınıf veya etiket atanır. Bu, makine öğrenme modelinin hangi özelliklerin belirli bir sınıfla ilişkili olduğunu öğrenmesini ve makine öğrenme mühendisinin modelin performansını, kaç örneklerin doğru şekilde sınıflandırıldığını görerek kontrol etmesini sağlar. Sınıflandırma algoritmaları, veriler etiketlenirse, birçok karmaşık modèleyi ayırt edebilir. Örneğin, bir makine öğrenme algoritması, “bıyık”, “kuyruk”, “pençe” gibi özelliklere dayanarak farklı hayvanları birbirinden ayırt edebilir.

Denetimli öğrenmenin tersine, denetimsiz öğrenme, etiketsiz verilerden modeller oluşturmayı içerir. Başka bir deyişle, bilgisayar girdisi özelliklerini analiz eder ve kendisi için en önemli özellikler ve modelleri belirler. Denetimsiz öğrenme, farklı örnekler arasındaki içsel benzerlikleri bulmaya çalışır. Bir denetimli öğrenme algoritması bilinen sınıflara veri noktalarını yerleştirmeyi amaçlarsa, denetimsiz öğrenme algoritmaları, nesne örneklerindeki ortak özelliklere bakar ve bu özelliklere dayanarak kendi sınıflarını oluşturur, temelde kendi sınıflarını yaratır.

Denetimli öğrenme algoritmalarına örnekler, Linear Regresyon, Lojistik Regresyon, K-En Yakın Komşular, Karar Ağaçları ve Destek Vektör Makineleri’dir.

Bu arada, denetimsiz öğrenme algoritmalarına örnekler, Başlıca Bileşen Analizi ve K-Means Kümeleme’dir.

Denetimli Öğrenme Algoritması

Linear Regresyon iki özellik arasındaki ilişkiyi grafikte gösterir. Linear Regresyon, diğer sayısal değişkenlerle ilgili sayısal değerleri öngörlemek için kullanılır. Linear Regresyonun denklemi Y = a + bX’dir, burada b doğrunun eğimini ve a da Y’nin X eksenini kestiği noktayı gösterir.

Lojistik Regresyon, ikili sınıflandırma algoritmasıdır. Algoritma, sayısal özellikler arasındaki ilişkiyi inceleyerek, bir örneğin iki farklı sınıftan birine ait olma olasılığını bulur. Olasılık değerleri 0 veya 1’e yakınsar. Diğer bir deyişle, güçlü olasılıklar 0,99’a yaklaşırken, zayıf olasılıklar 0’a yaklaşır.

K-En Yakın Komşular algoritması, yeni veri noktalarına, eğitim setindeki belirli sayıda komşusunun atanmış sınıflarına göre bir sınıf atar. Algoritmanın dikkate aldığı komşu sayısı önemlidir ve çok az veya çok fazla komşu, noktaları yanlış sınıflandırabilir.

Karar Ağaçları, sınıflandırma ve regresyon algoritmalarının bir türüdür. Bir karar ağacı, veri setini daha küçük ve daha küçük parçalara ayırarak çalışır, sonunda bir ağaç ve yapraklar oluşur. Dallar, kararların verildiği yerlerdir, burada farklı filtreleme kriterleri kullanılır, yapraklar ise etiketlenmiş örneklerdir (sınıflandırılmış veri noktaları). Karar ağacı algoritmaları hem sayısal hem de kategorik verileri işleyebilir. Ağacın dalları, belirli değişkenler/özellikler üzerinde yapılır.

Destek Vektör Makineleri bir sınıflandırma algoritmasıdır ve veri noktaları arasındaki hyperplanları çizerek çalışır. Veri noktaları, hyperplanın hangi tarafında bulunduklarına göre sınıflara ayrılır. Bir düzlemde birden fazla hyperplan çizilebilir, böylece veri seti birden fazla sınıfa ayrılabilir. Sınıflandırıcı, hyperplan ile hyperplanın her iki tarafındaki noktalar arasındaki mesafeyi maksimize etmeye çalışır ve bu mesafe ne kadar büyükse, sınıflandırıcı o kadar güvenlidir.

Denetimsiz Öğrenme Algoritmaları

Başlıca Bileşen Analizi bir boyutluluk indirgeme tekniğidir, yani verilerin boyutluluğu veya karmaşıklığı daha basit bir şekilde temsil edilir. Başlıca Bileşen Analizi algoritması, verilerin yeni boyutlarını bulur ve bu boyutlar birbirine dik olmalıdır. Verilerin boyutluluğu azaltılırken, veri içindeki varyans mümkün olduğunca korunmalıdır. Bu, pratik olarak verisetindeki özellikleri alıp, bunları daha az sayıda özellik halinde yoğunlaştırarak, verilerin çoğunu temsil eden daha az sayıda özellik elde edilmesini sağlar.

K-Means Kümeleme, veri noktalarını benzer özelliklere göre otomatik olarak kümelere ayıran bir algoritmadır. Veri setindeki desenler analiz edilir ve veri noktaları bu desenlere göre gruplara ayrılır. Temelde K-Means, etiketsiz verilerden kendi sınıflarını oluşturur. K-Means algoritması, kümelerin merkezlerini (merkezleri) atayarak ve bu merkezleri, merkezlerin çevrelerindeki veri noktalarına olan mesafeyi minimize edecek şekilde hareket ettirerek çalışır. “K” ifadesi, seçilen merkez sayısını ifade eder.

Özet

Son olarak, denetimli ve denetimsiz öğrenme arasındaki temel farklılıkları hızlıca gözden geçirelim.

Önceden tartıştığımız gibi, denetimli öğrenme görevlerinde girdi verileri etiketlenmiştir ve sınıf sayısı bellidir. Denetimsiz öğrenme durumlarında ise girdi verileri etiketsizdir ve sınıf sayısı bilinmemektedir. Denetimsiz öğrenme genellikle daha az hesaplama karmaşıklığına sahiptir, mientras denetimli öğrenme daha fazla hesaplama karmaşıklığına sahiptir. Denetimli öğrenme sonuçları genellikle çok doğru olurken, denetimsiz öğrenme sonuçları daha az doğru veya orta düzeyde doğrudur.