Učenie pod dohľadom
Učenie pod dohľadom zahŕňa trénovanie modelu na označenom súbore údajov. Označené údaje znamenajú, že vstupné údaje sú spárované so správnym výstupom. Cieľom je, aby sa model naučil mapovanie alebo vzťah medzi vstupmi a výstupmi, aby mohol predpovedať alebo presne klasifikovať nové, neviditeľné údaje. Existujú dva hlavné typy učenia pod dohľadom:
-
Klasifikácia: Zahŕňa predpovedanie označenia kategórie. Napríklad určiť, či je e-mail spam alebo nie, na základe určitých funkcií (ako sú použité slová, odosielateľ atď.). Na klasifikáciu sa používajú algoritmy ako Support Vector Machines (SVM), rozhodovacie stromy a neurónové siete.
-
Regresia: Zahŕňa predpovedanie spojitej hodnoty. Napríklad predpovedanie ceny domu na základe jeho vlastností, ako je plocha, počet spální atď. Algoritmy ako lineárna regresia, náhodný les a zosilnenie gradientu sa používajú na regresné úlohy.
Učenie bez dozoru
Učenie bez dozoru zahŕňa trénovanie modelu na neoznačenej množine údajov. Algoritmus sa tu snaží nájsť skryté vzory alebo vnútorné štruktúry v údajoch bez akéhokoľvek explicitného dohľadu. Cieľom je preskúmať údaje, pochopiť ich štruktúru a získať zmysluplné poznatky. Bežné typy učenia bez dozoru zahŕňajú:
-
Zhlukovanie: Zoskupovanie podobných údajových bodov na základe určitých funkcií alebo podobností. Napríklad zoskupovanie segmentov zákazníkov na základe ich nákupného správania pomocou algoritmov ako K-Means alebo Hierarchical Clustering.
-
Zmenšenie rozmerov: Zníženie počtu funkcií pri zachovaní základných informácií. Analýza hlavných komponentov (PCA) a t-Distributed Stochastic Neighbor Embedding (t-SNE) sa používajú na vizualizáciu vysokorozmerných údajov v priestore nižšej dimenzie.
Kedy použiť každý
-
Učenie pod dohľadom sa používa, keď máte označené údaje a chcete predpovedať alebo klasifikovať budúce prípady na základe týchto označených údajov. Napríklad, ak máte historické údaje o nákupoch zákazníkov a chcete predpovedať budúce nákupy, je vhodné učenie pod dohľadom.
-
Učenie bez dozoru sa používa, keď nemáte označené údaje alebo keď chcete preskúmať a pochopiť základnú štruktúru údajov. Napríklad pri detekcii anomálií alebo hľadaní skrytých vzorcov vo veľkých súboroch údajov.
Niekedy sa môže použiť kombinácia oboch typov učenia, známa ako učenie s čiastočným dohľadom, keď máte malé množstvo označených údajov a veľké množstvo neoznačených údajov, čo umožňuje modelom využívať oba zdroje informácií. .
