Контролируемое и неконтролируемое обучение: в чем разница?

14 апреля 2022 г.

Машинное обучение — это отрасль искусственного интеллекта и информатики, которая относится к использованию данных и алгоритмов для имитации человеческого обучения. Компании могут использовать этот процесс для улучшения взаимодействия с пользователем, повышения эффективности, защиты данных и улучшения продуктов и услуг множеством способов. Если вы работаете в области информатики, науки о данных, бизнесе или смежных областях, вам может быть полезно узнать о контролируемых и неконтролируемых подходах к машинному обучению. В этой статье мы определяем эти процессы машинного обучения и обсуждаем ключевые различия между контролируемым и неконтролируемым обучением.

Что такое контролируемое обучение?

Обучение с учителем — это процесс, в котором машина использует помеченные наборы данных и предыдущие выходные данные, чтобы заранее угадать результаты. Эти метки помогают или «контролируют» машину в организации данных, точном прогнозировании результатов и «обучении» с течением времени. Например, рассмотрим сценарий контролируемого обучения, в котором вы хотите научить машину угадывать, сколько времени потребуется, чтобы добраться до работы. Набор обучающих данных имеет такие метки, как время суток, погодные условия, маршрут и праздники. Теперь компьютер может замечать взаимосвязь между такими факторами, как снег и время в пути, и начинать строить модель данных.

Два типа контролируемого машинного обучения — это регрессия и классификация. Регрессия — это метод прогнозирования результатов с использованием входных данных. Эти модели популярны для нахождения конкретной числовой проекции на основе множества точек данных. Примеры включают угадывание цен на жилье на основе возраста, местоположения и размера или угадывание дохода от продаж в предстоящем квартале. Напротив, классификация — это метод распределения точек данных по разным категориям. Примеры включают сегментацию электронных писем в папку для спама, определение породы собаки или прогнозирование того, могут ли люди не выплачивать кредиты.

Что такое неконтролируемое обучение?

Неконтролируемое обучение — это процесс, в котором машина использует немаркированные наборы данных для прогнозирования результатов или классификации данных. В этом типе машинного обучения компьютер оценивает входные данные, чтобы найти скрытые закономерности, анализирует и систематизирует наборы данных и «обучается» с течением времени, и все это без вмешательства или «контроля» человека. Например, рассмотрим сценарий обучения без учителя, в котором машина сталкивается с изображением кошки. Позже он встречает изображение другого кота, но может узнать его по таким особенностям, как уши, глаза, строение лица, хвост и ноги.

Три основных типа неконтролируемого машинного обучения — это кластеризация, ассоциация и уменьшение размерности. Кластеризация — это процесс объединения точек данных на основе их различий или сходства. Примером может служить сегментация клиентов по разным демографическим группам. Ассоциация — это процесс поиска уникальных взаимосвязей между переменными. Примером является поиск того, что клиенты, которые приобрели продукт, также купили. Уменьшение размерности — это процесс преобразования большого набора данных в меньший, более управляемый размер при сохранении целостности данных.

Контролируемое и неконтролируемое обучение

Вот основные различия между контролируемым и неконтролируемым обучением:

Тип данных

Основное различие между контролируемым и неконтролируемым обучением заключается в том, есть ли у данных метки. Если человек, разрабатывающий компьютерную программу, помечает данные, он помогает или «наблюдает» за машиной в процессе ее обучения. Обучение с учителем применяет помеченные входные и выходные данные для прогнозирования результатов. Этот процесс использует итеративный подход, делая прогнозы на основе обучающего набора данных и корректируя правильное решение. Напротив, если программист избегает маркировки данных, он создает алгоритм, в котором машина может учиться более независимо. Алгоритм обучения без учителя не использует метки для своего процесса обучения.

Вмешательство человека

При создании алгоритма обучения с учителем необходимо, чтобы человек правильно помечал данные, чтобы алгоритм работал. Они обучают машину понимать отношения между данными для получения результатов. Напротив, неконтролируемые алгоритмы обучения работают сами по себе, без особого вмешательства человека, чтобы выяснить структуру немаркированных наборов данных. В этих случаях по-прежнему требуется некоторое вмешательство человека для проверки выходных данных и использования результатов для принятия реальных решений.

Точность

Поскольку они делают прогнозы итеративно, алгоритмы обучения с учителем обычно более точны, чем модели без учителя. Неконтролируемое обучение может быть более неточным и непредсказуемым, чем подкрепление или естественное обучение. Это связано с тем, что машины в моделях обучения без учителя учатся на необработанных данных без каких-либо предварительных знаний, а не на помеченных обучающих данных.

Сложность

Несмотря на то, что неконтролируемые методы могут быть менее точными, они являются популярными платформами для проведения сложных вычислительных процессов, в которых программисты могут не знать, каков правильный результат. Алгоритмы обучения без учителя могут анализировать и определять внутреннюю организацию запутанных наборов данных. Напротив, модели контролируемого обучения более распространены при работе с простыми и понятными наборами данных.

Цель

При работе с контролируемым обучением цель состоит в том, чтобы прогнозировать будущие события. В таких ситуациях программисты могут знать, каких результатов ожидать. При работе с алгоритмом обучения без учителя цель обычно состоит в том, чтобы получить ценную информацию из большой группы неизвестных данных. Затем компьютер может определить, что полезно из этого набора данных.

Советы по выбору правильного подхода

Вот несколько советов по выбору контролируемого или неконтролируемого обучения для проекта:

• Подумайте, как вы планируете его применять. При определении того, какую форму машинного обучения использовать, подумайте о приложении, наборе данных и своих целях и задачах. В то время как модели обучения с учителем отлично подходят для процессов решения проблем, таких как прогнозирование погоды и обнаружение спама, алгоритмы обучения без учителя лучше подходят для обнаружения аномалий в данных, предоставления рекомендаций клиентам и сегментации групп потребителей.

• Оцените имеющиеся у вас инструменты. Поскольку обучение с учителем относительно просто для модели машинного обучения, вы обычно можете создавать такие программы, используя популярные, распространенные языки программирования. Поскольку неконтролируемое обучение представляет собой более сложный процесс обучения для обработки несекретной информации, для него могут потребоваться более эффективные и мощные инструменты программирования.

• Подумайте о том, сколько времени у вас есть. Контролируемые модели требуют большего вмешательства человека для маркировки наборов данных и обучения машины, поэтому их запуск, внедрение и завершение может занять больше времени. Хотя методы обучения без учителя могут потребовать опытных программистов, они могут занять меньше времени, и вы можете проводить их в режиме реального времени.