Diferencia clave: aprendizaje automático supervisado y no supervisado
El aprendizaje supervisado y el aprendizaje no supervisado son dos conceptos básicos del aprendizaje automático. El aprendizaje supervisado es una tarea de aprendizaje automático que consiste en aprender una función que asigna una entrada a una salida en función de los pares de entrada y salida de ejemplo. El aprendizaje no supervisado es la tarea de aprendizaje automático de inferir una función para describir una estructura oculta a partir de datos sin etiquetar. La diferencia clave entre el aprendizaje automático supervisado y no supervisado es que el aprendizaje supervisado usa datos etiquetados, mientras que el aprendizaje no supervisado usa datos no etiquetados.
El aprendizaje automático es un campo de la informática que le da la capacidad a un sistema informático de aprender de los datos sin estar programado explícitamente. Permite analizar los datos y predecir patrones en ellos. Hay muchas aplicaciones del aprendizaje automático. Algunos de ellos son el reconocimiento facial, el reconocimiento de gestos y el reconocimiento de voz. Existen varios algoritmos relacionados con el aprendizaje automático. Algunos de ellos son regresión, clasificación y agrupamiento. Los lenguajes de programación más comunes para desarrollar aplicaciones basadas en aprendizaje automático son R y Python. También se pueden utilizar otros lenguajes como Java, C ++ y Matlab.
CONTENIDO
1. Descripción general y diferencia clave
2. Qué es el aprendizaje supervisado
3. Qué es el aprendizaje no supervisado
4. Similitudes entre el aprendizaje automático supervisado y no supervisado
5. Comparación lado a lado - Aprendizaje automático supervisado y no supervisado en forma tabular
6. Resumen
¿Qué es el aprendizaje supervisado?
En los sistemas basados en aprendizaje automático, el modelo funciona de acuerdo con un algoritmo. En el aprendizaje supervisado, el modelo está supervisado. Primero, se requiere entrenar el modelo. Con el conocimiento adquirido, puede predecir respuestas para instancias futuras. El modelo se entrena mediante un conjunto de datos etiquetado. Cuando se proporciona al sistema un dato sin muestra, puede predecir el resultado. A continuación se incluye un pequeño extracto del popular conjunto de datos de IRIS.
De acuerdo con la tabla anterior, la longitud del sépalo, el ancho del sépalo, la longitud de la rótula, el ancho de la rótula y las especies se denominan atributos. Las columnas se conocen como características. Una fila tiene datos para todos los atributos. Por lo tanto, una fila se llama observación. Los datos pueden ser numéricos o categóricos. El modelo recibe las observaciones con el nombre de la especie correspondiente como entrada. Cuando se da una nueva observación, el modelo debe predecir el tipo de especie a la que pertenece.
En el aprendizaje supervisado, existen algoritmos de clasificación y regresión. La clasificación es el proceso de clasificar los datos etiquetados. El modelo creó límites que separaron las categorías de datos. Cuando se proporcionan nuevos datos al modelo, se pueden categorizar en función de dónde exista el punto. El K-Vecinos más cercanos (KNN) es un modelo de clasificación. Dependiendo del valor k, se decide la categoría. Por ejemplo, cuando k es 5, si un punto de datos en particular está cerca de ocho puntos de datos en la categoría A y seis puntos de datos en la categoría B, entonces el punto de datos se clasificará como A.
La regresión es el proceso de predecir la tendencia de los datos anteriores para predecir el resultado de los nuevos datos. En la regresión, la salida puede constar de una o más variables continuas. La predicción se realiza mediante una línea que cubre la mayoría de los puntos de datos. El modelo de regresión más simple es una regresión lineal. Es rápido y no requiere ajustes de parámetros como KNN. Si los datos muestran una tendencia parabólica, entonces el modelo de regresión lineal no es adecuado.
Estos son algunos ejemplos de algoritmos de aprendizaje supervisado. Generalmente, los resultados generados por los métodos de aprendizaje supervisados son más precisos y confiables porque los datos de entrada son bien conocidos y están etiquetados. Por lo tanto, la máquina debe analizar solo los patrones ocultos.
¿Qué es el aprendizaje no supervisado?
En el aprendizaje no supervisado, el modelo no está supervisado. El modelo funciona por sí solo para predecir los resultados. Utiliza algoritmos de aprendizaje automático para llegar a conclusiones sobre datos sin etiquetar. Generalmente, los algoritmos de aprendizaje no supervisados son más difíciles que los algoritmos de aprendizaje supervisados porque hay poca información. La agrupación en clústeres es un tipo de aprendizaje no supervisado. Se puede utilizar para agrupar los datos desconocidos mediante algoritmos. La agrupación en clústeres de media k y basada en densidad son dos algoritmos de agrupación.
algoritmo de k-media, coloca k centroide al azar para cada grupo. Luego, cada punto de datos se asigna al centroide más cercano. La distancia euclidiana se utiliza para calcular la distancia desde el punto de datos hasta el centroide. Los puntos de datos se clasifican en grupos. Las posiciones para k centroides se calculan nuevamente. La nueva posición del centroide está determinada por la media de todos los puntos del grupo. Nuevamente, cada punto de datos se asigna al centroide más cercano. Este proceso se repite hasta que los centroides ya no cambian. k-mean es un algoritmo de agrupamiento rápido, pero no hay una inicialización especificada de puntos de agrupamiento. Además, existe una gran variación de modelos de agrupamiento en base a la inicialización de puntos de agrupamiento.
Otro algoritmo de agrupamiento es el agrupamiento basado en densidad. También se conoce como aplicaciones de agrupación espacial basadas en densidad con ruido. Funciona definiendo un clúster como el conjunto máximo de puntos conectados de densidad. Son dos parámetros que se utilizan para la agrupación en clústeres basada en densidad. Son Ɛ (épsilon) y puntos mínimos. El Ɛ es el radio máximo de la vecindad. Los puntos mínimos son el número mínimo de puntos en la vecindad Ɛ para definir un grupo. Estos son algunos ejemplos de agrupación que se enmarca en el aprendizaje no supervisado.
Generalmente, los resultados generados a partir de algoritmos de aprendizaje no supervisados no son muy precisos y confiables porque la máquina tiene que definir y etiquetar los datos de entrada antes de determinar los patrones y funciones ocultos.
¿Cuál es la similitud entre el aprendizaje automático supervisado y no supervisado?
Tanto el aprendizaje supervisado como no supervisado son tipos de aprendizaje automático
¿Cuál es la diferencia entre el aprendizaje automático supervisado y no supervisado?
Diferencia del medio del artículo antes de la mesa
Aprendizaje automático supervisado frente a no supervisado |
|
| El aprendizaje supervisado es la tarea de aprendizaje automático de aprender una función que asigna una entrada a una salida en función de pares de entrada y salida de ejemplo. | El aprendizaje no supervisado es la tarea del aprendizaje automático de inferir una función para describir una estructura oculta a partir de datos no etiquetados. |
| Funcionalidad principal | |
| En el aprendizaje supervisado, el modelo predice el resultado en función de los datos de entrada etiquetados. | En el aprendizaje no supervisado, el modelo predice el resultado sin datos etiquetados identificando los patrones por sí mismo. |
| Exactitud de los resultados | |
| Los resultados generados por los métodos de aprendizaje supervisados son más precisos y fiables. | Los resultados generados a partir de métodos de aprendizaje no supervisados no son muy precisos y fiables. |
| Algoritmos principales | |
| Existen algoritmos de regresión y clasificación en el aprendizaje supervisado. | Existen algoritmos para la agrupación en grupos en el aprendizaje no supervisado. |
Resumen: aprendizaje automático supervisado frente a no supervisado
El aprendizaje supervisado y el aprendizaje no supervisado son dos tipos de aprendizaje automático. El aprendizaje supervisado es la tarea de aprendizaje automático de aprender una función que asigna una entrada a una salida en función de pares de entrada y salida de ejemplo. El aprendizaje no supervisado es la tarea del aprendizaje automático de inferir una función para describir una estructura oculta a partir de datos no etiquetados. La diferencia entre el aprendizaje automático supervisado y no supervisado es que el aprendizaje supervisado usa datos etiquetados, mientras que el aprendizaje no supervisado usa datos no etiquetados.
