Машинное обучение — это тип искусственного интеллекта, который позволяет компьютерам обучаться и повышать свою производительность при выполнении конкретной задачи без явного программирования. Он включает использование алгоритмов, которые могут анализировать и делать прогнозы или решения на основе данных.
Вот 16 ключевых различий между обучением с учителем и обучением без учителя.
- Обучающие данные. При обучении с учителем обучающие данные помечаются, что означает, что для каждого примера в наборе данных предоставляется правильный результат. При неконтролируемом обучении данные не помечаются, и алгоритм должен самостоятельно обнаруживать закономерности или взаимосвязи в данных.
- Ввод и вывод. При обучении с учителем алгоритм обучается предсказывать результат на основе ввода. При неконтролируемом обучении алгоритму не даются какие-либо конкретные выходные данные для предсказания, и он должен самостоятельно находить закономерности в данных.
- Вмешательство человека. Алгоритмы обучения под наблюдением требуют вмешательства человека, чтобы обеспечить правильный вывод для каждого примера в обучающей выборке. Алгоритмы обучения без учителя не требуют вмешательства человека.
- Оценка. При обучении с учителем производительность алгоритма можно оценить с помощью метрики, например точности, которая измеряет процент правильных прогнозов, сделанных моделью. При неконтролируемом обучении нет правильных выходных данных для сравнения прогнозов модели, поэтому оценка более субъективна.
- Типы алгоритмов. Существует несколько типов алгоритмов, используемых в обучении с учителем, включая деревья решений, машины опорных векторов и нейронные сети. В неконтролируемом обучении общие алгоритмы включают кластеризацию k-средних, анализ основных компонентов и автокодировщики.
- Применения. Алгоритмы контролируемого обучения обычно используются для таких задач, как классификация, регрессия и прогнозирование. Алгоритмы обучения без учителя часто используются для таких задач, как кластеризация, уменьшение размерности и обнаружение аномалий.
- Выход. В обучении с учителем выход — это функция, которая сопоставляет входные данные с конкретными выходными данными. При неконтролируемом обучении результатом является набор кластеров или шаблонов в данных.
- Требования к данным. Алгоритмы обучения с учителем обычно требуют большого объема помеченных данных для обучения, в то время как алгоритмы обучения без учителя часто могут работать с меньшим объемом. данных.
- Разработка признаков. В обучении с учителем процесс выбора и создания соответствующих признаков для модели часто называется проектированием признаков. Это важный шаг в обучении с учителем, поскольку качество функций может значительно повлиять на производительность модели. При неконтролируемом обучении проектирование признаков обычно не требуется, поскольку алгоритм не пытается предсказать конкретный результат.
- Количество классов. Алгоритмы контролируемого обучения обычно используются, когда существует небольшое количество классов или категорий, к которым могут принадлежать данные. Алгоритмы обучения без учителя можно использовать при наличии большого количества классов или когда количество классов заранее неизвестно.
- Время обучения. Обучение алгоритмов обучения с учителем может занимать больше времени, чем алгоритмов обучения без учителя, так как для каждого примера в обучающем наборе требуется правильный вывод.
- Переносное обучение. Алгоритмы контролируемого обучения часто можно точно настроить для новых задач с помощью метода, называемого переносным обучением, при котором модель предварительно обучается на большом наборе данных, а затем настраивается для конкретной задачи в рука. Алгоритмы обучения без учителя обычно не используются для трансферного обучения.
- Сложность модели. Алгоритмы обучения под наблюдением могут варьироваться по сложности от простых линейных моделей до очень сложных моделей глубокого обучения. Алгоритмы обучения без учителя в целом проще, поскольку они не пытаются предсказать конкретный результат.
- Обновления модели. При обучении с учителем модель должна обновляться новыми помеченными примерами по мере их появления, чтобы поддерживать точность. При неконтролируемом обучении модель не нужно обновлять новыми примерами, поскольку она не пытается предсказать конкретный результат.
Примеры:
Алгоритм контролируемого обучения может использоваться для прогнозирования того, уйдет ли клиент (покинет компанию) на основе его поведения в прошлом. Алгоритм будет обучен на наборе данных о прошлых клиентах с метками, указывающими, ушли они или нет. Затем алгоритм будет использовать эти обучающие данные для прогнозирования новых, невидимых данных.
Одним из примеров алгоритма обучения без учителя является кластеризация k-средних, которая используется для группировки похожих точек данных вместе. Другим примером является обнаружение аномалий, которое используется для выявления необычных закономерностей в данных, которые могут указывать на проблему или проблему.
