Контрольоване та неконтрольоване навчання — це дві техніки машинного навчання. Але обидва методи використовуються в різних сценаріях і з різними наборами даних. Нижче наведено пояснення обох методів навчання разом із таблицею їх відмінностей.
Контрольоване машинне навчання:
Контрольоване навчання – це метод машинного навчання, у якому моделі навчаються за допомогою позначених даних. У контрольованому навчанні моделям потрібно знайти функцію відображення, щоб зіставити вхідну змінну (X) із вихідною змінною (Y).
таблиця істинності повного суматора
Контрольоване навчання потребує нагляду для навчання моделі, що подібно до того, як учень вивчає речі в присутності вчителя. Контрольоване навчання можна використовувати для двох типів проблем: Класифікація і регресія .
Вивчайте більше Контрольоване машинне навчання
двійкове дерево java
приклад: Припустимо, у нас є зображення різних видів фруктів. Завдання нашої моделі навчання під наглядом — визначити фрукти та класифікувати їх відповідним чином. Отже, щоб ідентифікувати зображення під час навчання під керівництвом, ми надамо вхідні дані, а також вихід для цього, що означає, що ми будемо навчати модель за формою, розміром, кольором і смаком кожного фрукта. Після завершення навчання ми перевіримо модель, надавши новий набір фруктів. Модель ідентифікує плід і прогнозує результат за допомогою відповідного алгоритму.
Машинне навчання без нагляду:
Неконтрольоване навчання — це ще один метод машинного навчання, у якому шаблони виводяться з немаркованих вхідних даних. Метою неконтрольованого навчання є знаходження структури та закономірностей у вхідних даних. Навчання без нагляду не потребує контролю. Натомість він самостійно знаходить закономірності в даних.
Вивчайте більше Машинне навчання без нагляду
посилальна змінна в java
Неконтрольоване навчання можна використовувати для двох типів проблем: Кластеризація і Асоціація .
приклад: Щоб зрозуміти неконтрольоване навчання, ми використаємо наведений вище приклад. Отже, на відміну від навчання під контролем, тут ми не забезпечуватимемо супервізію моделі. Ми просто надамо вхідний набір даних для моделі та дозволимо моделі знаходити закономірності з даних. За допомогою відповідного алгоритму модель навчиться і розділить фрукти на різні групи за найбільш схожими ознаками між ними.
Нижче наведено основні відмінності між навчанням під контролем і без нього:
| Контрольоване навчання | Навчання без контролю |
|---|---|
| Алгоритми навчання під наглядом навчаються за допомогою позначених даних. | Алгоритми неконтрольованого навчання навчаються з використанням немаркованих даних. |
| Модель навчання під наглядом використовує прямий зворотний зв’язок, щоб перевірити, чи прогнозує правильний результат чи ні. | Модель навчання без нагляду не приймає зворотного зв’язку. |
| Контрольована модель навчання передбачає результат. | Модель навчання без контролю знаходить приховані шаблони в даних. |
| У контрольованому навчанні вхідні дані надаються моделі разом із вихідними. | У неконтрольованому навчанні моделі надаються лише вхідні дані. |
| Мета навчання під наглядом — навчити модель таким чином, щоб вона могла передбачати результати, коли їй надаються нові дані. | Мета неконтрольованого навчання полягає в тому, щоб знайти приховані закономірності та корисну інформацію з невідомого набору даних. |
| Контрольоване навчання потребує нагляду для навчання моделі. | Навчання без нагляду не потребує нагляду для навчання моделі. |
| Контрольоване навчання можна класифікувати за Класифікація і регресія проблеми. | Неконтрольоване навчання можна класифікувати як Кластеризація і Асоціації проблеми. |
| Навчання під наглядом можна використовувати в тих випадках, коли ми знаємо вхідні дані, а також відповідні виходи. | Неконтрольоване навчання можна використовувати в тих випадках, коли ми маємо лише вхідні дані і не маємо відповідних вихідних даних. |
| Модель навчання під наглядом дає точний результат. | Модель навчання без контролю може дати менш точні результати порівняно з навчанням під контролем. |
| Контрольоване навчання не наближається до справжнього штучного інтелекту, оскільки в цьому випадку ми спочатку навчаємо модель для кожного даного, а потім лише вона може передбачити правильний результат. | Навчання без нагляду ближче до справжнього штучного інтелекту, оскільки воно навчається так само, як дитина вивчає щоденні рутинні речі на своєму досвіді. |
| Він включає різні алгоритми, такі як лінійна регресія, логістична регресія, опорна векторна машина, багатокласова класифікація, дерево рішень, байєсовська логіка тощо. | Він включає різні алгоритми, такі як кластеризація, KNN і алгоритм Apriori. |