Aprendizaxe supervisada
A aprendizaxe supervisada implica adestrar un modelo nun conxunto de datos etiquetado. Os datos etiquetados significan que os datos de entrada están emparellados coa saída correcta. O obxectivo é que o modelo aprenda o mapeo ou relación entre entradas e saídas para que poida facer predicións ou clasificar datos novos e non vistos con precisión. Existen dous tipos principais de aprendizaxe supervisada:
-
Clasificación: Isto implica predicir unha etiqueta categórica. Por exemplo, determinar se un correo electrónico é spam ou non spam en función de determinadas características (como palabras utilizadas, remitente, etc.). Para a clasificación utilízanse algoritmos como Máquinas Vectoriais de Soporte (SVM), árbores de decisión e redes neuronais.
-
Regresión: Implica predicir un valor continuo. Por exemplo, predecir o prezo dunha casa en función das súas características como a superficie, o número de dormitorios, etc. Para as tarefas de regresión úsanse algoritmos como a regresión lineal, o bosque aleatorio e o impulso do gradiente.
Aprendizaxe non supervisada
Aprendizaxe sen supervisión implica adestrar un modelo nun conxunto de datos sen etiqueta. Aquí, o algoritmo tenta atopar patróns ocultos ou estruturas intrínsecas nos datos sen ningunha supervisión explícita. O obxectivo é explorar os datos, comprender a súa estrutura e extraer información significativa. Os tipos comúns de aprendizaxe non supervisada inclúen:
-
Agrupación: Agrupación de puntos de datos similares en función de determinadas características ou semellanzas. Por exemplo, agrupar segmentos de clientes en función do seu comportamento de compra mediante algoritmos como K-Means ou Hierarchical Clustering.
-
Redución da dimensión: Redución do número de funcións conservando a información esencial. Análise de compoñentes principais (PCA) e t-Distributed Stochastic Neighbor Embedding (t-SNE) utilízanse para visualizar datos de alta dimensión nun espazo de menor dimensión.
Cando usar cada un
-
A aprendizaxe supervisada úsase cando tes datos etiquetados e queres prever ou clasificar instancias futuras en función dos datos etiquetados. Por exemplo, se tes datos históricos sobre as compras dos clientes e queres prever futuras compras, a aprendizaxe supervisada é adecuada.
-
A aprendizaxe non supervisada úsase cando non tes datos etiquetados ou cando queres explorar e comprender a estrutura subxacente dos datos. Por exemplo, na detección de anomalías ou na busca de patróns ocultos en grandes conxuntos de datos.
Ás veces, pódese empregar unha combinación de ambos os tipos de aprendizaxe, coñecida como aprendizaxe semi-supervisada, cando tes unha pequena cantidade de datos etiquetados e unha gran cantidade de datos sen etiquetar, o que permite aos modelos beneficiarse de ambas fontes de información. .
