Overvåget og ikke-overvåget læring er de to teknikker til maskinlæring. Men begge teknikker bruges i forskellige scenarier og med forskellige datasæt. Nedenfor er forklaringen af begge indlæringsmetoder sammen med deres forskelstabel givet.
Supervised Machine Learning:
Supervised learning er en maskinlæringsmetode, hvor modeller trænes ved hjælp af mærkede data. I overvåget læring skal modeller finde kortlægningsfunktionen for at kortlægge inputvariablen (X) med outputvariablen (Y).
Superviseret læring har brug for supervision for at træne modellen, hvilket svarer til, at en elev lærer ting i nærværelse af en lærer. Superviseret læring kan bruges til to typer problemer: Klassifikation og Regression .
bash hvis andet
Lær mere Supervised Machine Learning
samling java
Eksempel: Antag, at vi har et billede af forskellige typer frugter. Opgaven med vores superviserede læringsmodel er at identificere frugterne og klassificere dem derefter. Så for at identificere billedet i overvåget læring, vil vi give inputdata såvel som output for det, hvilket betyder, at vi træner modellen ud fra formen, størrelsen, farven og smagen af hver frugt. Når træningen er afsluttet, tester vi modellen ved at give det nye sæt frugt. Modellen vil identificere frugten og forudsige outputtet ved hjælp af en passende algoritme.
Uovervåget maskinlæring:
Uovervåget læring er en anden maskinlæringsmetode, hvor mønstre udledes fra de umærkede inputdata. Målet med uovervåget læring er at finde strukturen og mønstrene fra inputdataene. Uovervåget læring kræver ingen supervision. I stedet finder den selv mønstre fra dataene.
Lær mere Uovervåget maskinlæring
osi model lag
Uovervåget læring kan bruges til to typer problemer: Klynger og Foreningen .
Eksempel: For at forstå den uovervågede læring vil vi bruge eksemplet ovenfor. Så i modsætning til superviseret læring vil vi her ikke give nogen supervision til modellen. Vi vil blot levere inputdatasættet til modellen og tillade modellen at finde mønstrene fra dataene. Ved hjælp af en passende algoritme vil modellen træne sig selv og opdele frugterne i forskellige grupper efter de mest ensartede funktioner mellem dem.
De vigtigste forskelle mellem overvåget og uovervåget læring er angivet nedenfor:
| Superviseret læring | Uovervåget læring |
|---|---|
| Overvågede læringsalgoritmer trænes ved hjælp af mærkede data. | Uovervågede læringsalgoritmer trænes ved hjælp af umærkede data. |
| Overvåget læringsmodel tager direkte feedback for at kontrollere, om den forudsiger korrekt output eller ej. | Uovervåget læringsmodel tager ingen feedback. |
| Superviseret læringsmodel forudsiger outputtet. | Uovervåget læringsmodel finder de skjulte mønstre i data. |
| I superviseret læring leveres inputdata til modellen sammen med outputtet. | Ved uovervåget læring leveres kun inputdata til modellen. |
| Målet med superviseret læring er at træne modellen, så den kan forudsige outputtet, når den får nye data. | Målet med uovervåget læring er at finde de skjulte mønstre og nyttige indsigter fra det ukendte datasæt. |
| Superviseret læring har brug for supervision for at træne modellen. | Uovervåget læring behøver ikke nogen supervision for at træne modellen. |
| Superviseret læring kan kategoriseres i Klassifikation og Regression problemer. | Uovervåget læring kan klassificeres i Klynger og Foreninger problemer. |
| Superviseret læring kan bruges til de tilfælde, hvor vi kender input såvel som tilsvarende output. | Uovervåget læring kan bruges til de tilfælde, hvor vi kun har inputdata og ingen tilsvarende outputdata. |
| Overvåget læringsmodel giver et præcist resultat. | Ikke-superviseret læringsmodel kan give mindre præcise resultater sammenlignet med superviseret læring. |
| Superviseret læring er ikke tæt på ægte kunstig intelligens, da vi i dette først træner modellen for hver data, og derefter kan kun den forudsige det korrekte output. | Uovervåget læring er mere tæt på den sande kunstige intelligens, da den lærer på samme måde som et barn lærer daglige rutinemæssige ting ved sine erfaringer. |
| Det inkluderer forskellige algoritmer såsom lineær regression, logistisk regression, supportvektormaskine, multiklasseklassifikation, beslutningstræ, Bayesiansk logik osv. | Det inkluderer forskellige algoritmer såsom Clustering, KNN og Apriori-algoritmer. |