Învățare supravegheată
Învățarea supravegheată implică antrenarea unui model pe un set de date etichetat. Datele etichetate înseamnă că datele de intrare sunt asociate cu ieșirea corectă. Scopul este ca modelul să învețe maparea sau relația dintre intrări și ieșiri, astfel încât să poată face predicții sau să clasifice cu acuratețe date noi, nevăzute. Există două tipuri principale de învățare supravegheată:
-
Clasificare: Aceasta implică prezicerea unei etichete categoriale. De exemplu, stabilirea dacă un e-mail este sau nu spam pe baza anumitor caracteristici (cum ar fi cuvintele folosite, expeditorul etc.). Pentru clasificare sunt utilizați algoritmi precum Support Vector Machines (SVM), Decision Trees și Neural Networks.
-
Regresie: implică prezicerea unei valoare continuă. De exemplu, estimarea prețului unei case pe baza caracteristicilor sale, cum ar fi suprafața, numărul de dormitoare etc. Algoritmi precum regresia liniară, pădurea aleatorie și creșterea gradului sunt utilizați pentru sarcinile de regresie.
Învățare nesupravegheată
Învățare nesupravegheată implică antrenarea unui model pe un set de date neetichetat. Aici, algoritmul încearcă să găsească modele ascunse sau structuri intrinseci în date fără nicio supraveghere explicită. Scopul este de a explora datele, de a înțelege structura acestora și de a extrage perspective semnificative. Tipurile comune de învățare nesupravegheată includ:
-
Clustering: Gruparea punctelor de date similare pe baza anumitor caracteristici sau asemănări. De exemplu, gruparea segmentelor de clienți pe baza comportamentului lor de cumpărare folosind algoritmi precum K-Means sau Hierarchical Clustering.
-
Reducerea dimensionalității: Reducerea numărului de caracteristici, păstrând în același timp informațiile esențiale. Analiza componentelor principale (PCA) și t-Distributed Stochastic Neighbor Embedding (t-SNE) sunt utilizate pentru a vizualiza date de dimensiuni mari într-un spațiu de dimensiuni inferioare.
Când să folosiți fiecare
-
Învățarea supravegheată este utilizată atunci când aveți date etichetate și doriți să preziceți sau să clasificați instanțe viitoare pe baza acestor date etichetate. De exemplu, dacă aveți date istorice despre achizițiile clienților și doriți să preziceți achizițiile viitoare, învățarea supravegheată este potrivită.
-
Învățarea nesupravegheată este utilizată atunci când nu aveți date etichetate sau când doriți să explorați și să înțelegeți structura de bază a datelor. De exemplu, în detecția anomaliilor sau găsirea de modele ascunse în seturi de date mari.
Uneori, o combinație a ambelor tipuri de învățare, cunoscută sub numele de învățare semi-supravegheată, poate fi folosită atunci când aveți o cantitate mică de date etichetate și o cantitate mare de date neetichetate, permițând modelelor să beneficieze de ambele surse de informații .
