Övervakad inlärning
Övervakad inlärning innebär att en modell tränas på en märkt dataset. Märkta data innebär att indata paras ihop med rätt utdata. Målet är att modellen ska lära sig mappningen eller förhållandet mellan in- och utdata så att den kan göra förutsägelser eller klassificera nya, osedda data på ett korrekt sätt. Det finns två huvudtyper av övervakad inlärning:
-
Klassificering: Detta innebär att förutsäga en kategorisk etikett. Till exempel att avgöra om ett e-postmeddelande är skräppost eller inte baserat på vissa funktioner (som använda ord, avsändare etc.). Algoritmer som Support Vector Machines (SVM), Decision Trees och Neural Networks används för klassificering.
-
Regression: Innebär att förutsäga ett kontinuerligt värde. Till exempel att förutsäga priset på ett hus baserat på dess egenskaper som yta, antal sovrum etc. Algoritmer som Linear Regression, Random Forest och Gradient Boosting används för regressionsuppgifter.
Inlärning utan tillsyn
Oövervakad inlärning innebär att en modell tränas på en omärkt datamängd. Här försöker algoritmen hitta dolda mönster eller inneboende strukturer i data utan någon uttrycklig övervakning. Syftet är att utforska data, förstå dess struktur och utvinna meningsfulla insikter. Vanliga typer av oövervakad inlärning inkluderar:
-
Klustring: Gruppering av liknande datapunkter baserat på vissa egenskaper eller likheter. Till exempel klustring av kundsegment baserat på deras köpbeteende med hjälp av algoritmer som K-Means eller Hierarchical Clustering.
-
Dimensionalitetsreduktion: Minskning av antalet funktioner med bibehållen väsentlig information. Principal Component Analysis (PCA) och t-Distributed Stochastic Neighbor Embedding (t-SNE) används för att visualisera högdimensionella data i en lägre dimensionell rymd.
När ska var och en användas?
-
Supervised Learning används när du har märkt data och vill förutsäga eller klassificera framtida instanser baserat på den märkta datan. Om du t.ex. har historiska data om kundköp och vill förutsäga framtida köp är supervised learning lämpligt.
-
Unsupervised Learning används när man inte har märkta data eller när man vill utforska och förstå den underliggande strukturen i data. Till exempel vid anomalidetektering eller för att hitta dolda mönster i stora datamängder.
Ibland kan en kombination av båda typerna av inlärning, så kallad semi-supervised learning, användas när man har en liten mängd märkt data och en stor mängd omärkt data, vilket gör att modellerna kan dra nytta av båda informationskällorna.
