Overvåket og uovervåket læring er de to teknikkene for maskinlæring. Men begge teknikkene brukes i ulike scenarier og med ulike datasett. Nedenfor er forklaringen av begge læringsmetodene sammen med forskjellstabellen gitt.
Overvåket maskinlæring:
Overvåket læring er en maskinlæringsmetode der modeller trenes ved hjelp av merkede data. I veiledet læring må modeller finne kartleggingsfunksjonen for å kartlegge inngangsvariabelen (X) med utdatavariabelen (Y).
Veiledet læring trenger veiledning for å trene opp modellen, som ligner på at en elev lærer ting i nærvær av en lærer. Veiledet læring kan brukes til to typer problemer: Klassifisering og Regresjon .
natasha dalal
Lære mer Veiledet maskinlæring
samling java
Eksempel: Anta at vi har et bilde av forskjellige typer frukt. Oppgaven til vår veiledede læringsmodell er å identifisere fruktene og klassifisere dem deretter. Så for å identifisere bildet i veiledet læring, vil vi gi inndata så vel som utdata for det, noe som betyr at vi vil trene modellen etter formen, størrelsen, fargen og smaken til hver frukt. Når opplæringen er fullført, vil vi teste modellen ved å gi det nye settet med frukt. Modellen vil identifisere frukten og forutsi resultatet ved hjelp av en passende algoritme.
Maskinlæring uten tilsyn:
Uovervåket læring er en annen maskinlæringsmetode der mønstre utledes fra de umerkede inngangsdataene. Målet med uovervåket læring er å finne strukturen og mønstrene fra inndataene. Uovervåket læring trenger ingen veiledning. I stedet finner den mønstre fra dataene på egen hånd.
Lære mer Maskinlæring uten tilsyn
osi modelllag
Uovervåket læring kan brukes til to typer problemer: Gruppering og assosiasjon .
Eksempel: For å forstå den uovervåkede læringen, vil vi bruke eksemplet gitt ovenfor. Så i motsetning til veiledet læring, vil vi her ikke gi noen veiledning til modellen. Vi vil bare gi input-datasettet til modellen og la modellen finne mønstrene fra dataene. Ved hjelp av en passende algoritme vil modellen trene seg selv og dele fruktene inn i ulike grupper etter de mest like funksjonene mellom dem.
De viktigste forskjellene mellom veiledet og uovervåket læring er gitt nedenfor:
| Veiledet læring | Uovervåket læring |
|---|---|
| Overvåkede læringsalgoritmer trenes opp ved hjelp av merkede data. | Uovervåket læringsalgoritmer trenes opp ved hjelp av umerkede data. |
| Overvåket læringsmodell tar direkte tilbakemelding for å sjekke om den forutsier riktig utgang eller ikke. | Unsupervised læringsmodell tar ingen tilbakemelding. |
| Overvåket læringsmodell forutsier resultatet. | Uovervåket læringsmodell finner de skjulte mønstrene i data. |
| I veiledet læring leveres inputdata til modellen sammen med output. | Ved uovervåket læring gis kun inputdata til modellen. |
| Målet med veiledet læring er å trene modellen slik at den kan forutsi resultatet når den får nye data. | Målet med uovervåket læring er å finne de skjulte mønstrene og nyttige innsiktene fra det ukjente datasettet. |
| Veiledet læring trenger veiledning for å trene modellen. | Uovervåket læring trenger ingen veiledning for å trene modellen. |
| Veiledet læring kan kategoriseres i Klassifisering og Regresjon problemer. | Uovervåket læring kan klassifiseres i Gruppering og Foreninger problemer. |
| Veiledet læring kan brukes til de tilfellene hvor vi kjenner input så vel som tilsvarende utganger. | Uovervåket læring kan brukes i de tilfellene hvor vi kun har inndata og ingen tilsvarende utdata. |
| Overvåket læringsmodell gir et nøyaktig resultat. | Uovervåket læringsmodell kan gi mindre nøyaktige resultater sammenlignet med veiledet læring. |
| Overvåket læring er ikke i nærheten av ekte kunstig intelligens, da vi i dette først trener modellen for hver data, og deretter kan bare den forutsi riktig utgang. | Uovervåket læring er mer nær den sanne kunstige intelligensen ettersom den lærer på samme måte som et barn lærer daglige rutinemessige ting ved sine erfaringer. |
| Den inkluderer forskjellige algoritmer som lineær regresjon, logistisk regresjon, støttevektormaskin, multiklasseklassifisering, beslutningstre, Bayesiansk logikk, etc. | Den inkluderer forskjellige algoritmer som Clustering, KNN og Apriori-algoritmer. |