Veiledet læring
Veiledet læring innebærer å trene en modell på et merket datasett. Med merkede data menes at inndataene kobles sammen med de riktige utdataene. Målet er at modellen skal lære seg sammenhengen mellom inndata og utdata, slik at den kan forutsi eller klassifisere nye, usette data nøyaktig. Det finnes to hovedtyper av veiledet læring:
-
Klassifisering: Dette innebærer å forutsi en kategorisk merkelapp. For eksempel å avgjøre om en e-post er spam eller ikke, basert på visse kjennetegn (som ord som er brukt, avsender osv.). Algoritmer som Support Vector Machines (SVM), Decision Trees og Neural Networks brukes til klassifisering.
-
Regresjon: Innebærer å forutsi en kontinuerlig verdi. For eksempel å forutsi prisen på et hus basert på egenskaper som areal, antall soverom osv. Algoritmer som lineær regresjon, Random Forest og Gradient Boosting brukes til regresjonsoppgaver.
Læring uten tilsyn
Ikke-veiledet læring innebærer opplæring av en modell på et umerket datasett. Her prøver algoritmen å finne skjulte mønstre eller iboende strukturer i dataene uten eksplisitt veiledning. Målet er å utforske dataene, forstå strukturen og trekke ut meningsfull innsikt. Vanlige typer ikke-overvåket læring er blant annet:
-
Gruppering: Gruppering av lignende datapunkter basert på visse egenskaper eller likheter. For eksempel gruppering av kundesegmenter basert på kjøpsatferd ved hjelp av algoritmer som K-Means eller hierarkisk gruppering.
-
Dimensjonalitetsreduksjon: Reduksjon av antall funksjoner samtidig som viktig informasjon beholdes. Principal Component Analysis (PCA) og t-Distributed Stochastic Neighbored Embedding (t-SNE)C_ brukes til å visualisere høydimensjonale data i et lavere dimensjonalt rom.
Når de skal brukes
-
Veiledet læring brukes når du har merkede data og ønsker å forutsi eller klassifisere fremtidige forekomster basert på disse merkede dataene. Hvis du for eksempel har historiske data om kundekjøp og ønsker å forutsi fremtidige kjøp, er veiledet læring egnet.
-
Ikke-veiledet læring brukes når du ikke har merkede data, eller når du ønsker å utforske og forstå den underliggende strukturen i dataene. For eksempel ved avviksdeteksjon eller for å finne skjulte mønstre i store datasett.
Noen ganger kan en kombinasjon av begge typer læring, såkalt semi-veiledet læring, brukes når du har en liten mengde merkede data og en stor mengde umerkede data, slik at modellene kan dra nytte av begge informasjonskildene.
