Sleutelverskil – Onder toesig teenoor nie-toesig masjienleer
Leer onder toesig en leer sonder toesig is twee kernbegrippe van masjienleer. Toesigleer is 'n Masjienleer-taak om 'n funksie te leer wat 'n inset na 'n uitset karteer gebaseer op die voorbeeld-invoer-uitset-pare. Leer sonder toesig is die Masjienleer-taak om 'n funksie af te lei om verborge struktuur te beskryf vanaf ongemerkte data. Die belangrikste verskil tussen masjienleer onder toesig en sonder toesig is dat leer onder toesig gemerkte data gebruik, terwyl leer sonder toesig ongemerkte data gebruik.
Masjineleer is 'n veld in Rekenaarwetenskap wat die vermoë gee vir 'n rekenaarstelsel om uit data te leer sonder om uitdruklik geprogrammeer te word. Dit laat toe om die data te ontleed en om patrone daarin te voorspel. Daar is baie toepassings van masjienleer. Sommige van hulle is gesigherkenning, gebareherkenning en spraakherkenning. Daar is verskeie algoritmes wat verband hou met masjienleer. Sommige van hulle is regressie, klassifikasie en groepering. Die mees algemene programmeertale vir die ontwikkeling van masjienleer-gebaseerde toepassings is R en Python. Ander tale soos Java, C++ en Matlab kan ook gebruik word.
Wat is Leer onder toesig?
In masjienleer-gebaseerde stelsels werk die model volgens 'n algoritme. In studie onder toesig word die model onder toesig gehou. Eerstens is dit nodig om die model op te lei. Met die opgedoen kennis kan dit antwoorde vir die toekomstige gevalle voorspel. Die model word opgelei met behulp van 'n benoemde datastel. Wanneer 'n uit-steekproefdata aan die stelsel gegee word, kan dit die resultaat voorspel. Hier volg 'n klein uittreksel uit die gewilde IRIS-datastel.
Volgens die tabel hierbo word kelkbladlengte, kelkbladwydte, kelkbladlengte, skutbladwydte en spesies die eienskappe genoem. Die kolomme staan bekend as kenmerke. Een ry het data vir alle eienskappe. Daarom word een ry 'n waarneming genoem. Die data kan óf numeries óf kategories wees. Die model word die waarnemings gegee met die ooreenstemmende spesienaam as die inset. Wanneer 'n nuwe waarneming gegee word, behoort die model die tipe spesie waaraan dit behoort te voorspel.
In studie onder toesig is daar algoritmes vir klassifikasie en regressie. Klassifikasie is die proses om die gemerkte data te klassifiseer. Die model het grense geskep wat die kategorieë data geskei het. Wanneer nuwe data aan die model verskaf word, kan dit kategoriseer op grond van waar die punt bestaan. Die K-Neaste Bure (KNN) is 'n klassifikasiemodel. Afhangende van die k-waarde, word die kategorie bepaal. Byvoorbeeld, wanneer k 5 is, as 'n spesifieke datapunt naby agt datapunte in kategorie A en ses datapunte in kategorie B is, dan sal die datapunt as A geklassifiseer word.
Die regressie is die proses om die neiging van die vorige data te voorspel om die uitkoms van die nuwe data te voorspel. In regressie kan die uitset uit een of meer kontinue veranderlikes bestaan. Voorspelling word gedoen met behulp van 'n lyn wat die meeste datapunte dek. Die eenvoudigste regressiemodel is 'n lineêre regressie. Dit is vinnig en vereis nie instelparameters soos in KNN nie. As die data 'n paraboliese neiging toon, dan is die lineêre regressiemodel nie geskik nie.
Dit is 'n paar voorbeelde van leeralgoritmes onder toesig. Oor die algemeen is die resultate wat gegenereer word uit leermetodes onder toesig meer akkuraat en betroubaar omdat die insetdata welbekend en gemerk is. Daarom moet die masjien slegs die versteekte patrone ontleed.
Wat is Leer sonder toesig?
In leer sonder toesig word die model nie onder toesig gehou nie. Die model werk op sy eie om die uitkomste te voorspel. Dit gebruik masjienleeralgoritmes om tot gevolgtrekkings oor ongemerkte data te kom. Oor die algemeen is die leeralgoritmes sonder toesig moeiliker as leeralgoritmes onder toesig omdat daar min inligting is. Groepering is 'n tipe leer sonder toesig. Dit kan gebruik word om die onbekende data met behulp van algoritmes te groepeer. Die k-gemiddelde en digtheid-gebaseerde groepering is twee groepering algoritmes.
k-gemiddelde algoritme, plaas k sentroïed ewekansig vir elke groepering. Dan word elke datapunt aan die naaste sentroïed toegewys. Euklidiese afstand word gebruik om die afstand vanaf die datapunt na die sentroïed te bereken. Die datapunte word in groepe geklassifiseer. Die posisies vir k sentroïede word weer bereken. Die nuwe sentroïedposisie word bepaal deur die gemiddelde van alle punte in die groep. Weereens word elke datapunt aan die naaste sentroïed toegewys. Hierdie proses herhaal totdat die sentroïede nie meer verander nie. k-gemiddelde is 'n vinnige groeperingsalgoritme, maar daar is geen gespesifiseerde inisialisering van groeperingspunte nie. Daar is ook 'n groot variasie van groeperingsmodelle gebaseer op inisialisering van groeperingspunte.
Nog 'n groeperingsalgoritme is digtheidgebaseerde groepering. Dit staan ook bekend as digtheidsgebaseerde ruimtelike groeperingstoepassings met geraas. Dit werk deur 'n cluster te definieer as die maksimum stel digtheid gekoppelde punte. Dit is twee parameters wat gebruik word vir digtheidgebaseerde groepering. Hulle is Ɛ (epsilon) en minimum punte. Die Ɛ is die maksimum radius van die woonbuurt. Die minimum punte is die minimum aantal punte in die Ɛ omgewing om 'n groep te definieer. Dit is 'n paar voorbeelde van groepering wat in leer sonder toesig val.
Oor die algemeen is die resultate wat gegenereer word uit leeralgoritmes sonder toesig nie baie akkuraat en betroubaar nie, want die masjien moet die invoerdata definieer en benoem voordat die versteekte patrone en funksies bepaal word.
Wat is die ooreenkoms tussen masjienleer onder toesig en nie-toesig?
Beide onder toesig en nie-toesig leer is tipes masjienleer
Wat is die verskil tussen masjienleer onder toesig en sonder toesig?
Masjineleer onder toesig versus sonder toesig |
|
| Leer onder toesig is die Masjienleer-taak om 'n funksie te leer wat 'n inset na 'n uitset karteer gebaseer op voorbeeld-toevoer-uitset-pare. | Ontoesighoudende leer is die Masjienleer-taak om 'n funksie af te lei om verborge struktuur te beskryf vanaf ongemerkte data. |
| Hooffunksie | |
| In studie onder toesig voorspel die model die uitkoms op grond van die benoemde invoerdata. | In leer sonder toesig voorspel die model die uitkoms sonder gemerkte data deur die patrone op sy eie te identifiseer. |
| Akkuraatheid van die resultate | |
| Die resultate wat deur leermetodes onder toesig gegenereer word, is meer akkuraat en betroubaar. | Die resultate wat uit leermetodes sonder toesig gegenereer word, is nie baie akkuraat en betroubaar nie. |
| Hoofalgoritmes | |
| Daar is algoritmes vir regressie en klassifikasie in leer onder toesig. | Daar is algoritmes vir groepering in leer sonder toesig. |
Opsomming – Onder toesig teenoor nie-toesig masjienleer
Leer onder toesig en Leer sonder toesig is twee tipes masjienleer. Toesigleer is die Masjienleer-taak om 'n funksie te leer wat 'n inset na 'n uitset karteer gebaseer op voorbeeld-invoer-uitset-pare. Leer sonder toesig is die Masjienleer-taak om 'n funksie af te lei om verborge struktuur te beskryf vanaf ongemerkte data. Die verskil tussen masjienleer onder toesig en sonder toesig is dat leer onder toesig benoemde data gebruik, terwyl leun sonder toesig ongeëtiketteerde data gebruik.
