Denetimli ve Denetimsiz Makine Öğrenmesi Arasındaki Fark
Share
Temel Fark - Denetimli vs Eğiticisiz Makine öğrenme
Denetimli öğrenme ve denetimsiz öğrenme, makine öğrenmesinin iki temel kavramıdır. Denetimli Öğrenme, bir girdiyi örnek girdi-çıktı çiftlerine dayalı olarak çıktıyla eşleyen bir işlevi öğrenen bir Makine Öğrenimi görevidir. Gözetimsiz Öğrenme, gizli yapıyı etiketlenmemiş verilerden tanımlamak için bir işlev çıkarmanın Makine Öğrenmesi görevidir. temel fark denetimli ve denetimsiz makine öğrenimi arasında denetimli öğrenme etiketli verileri kullanırken denetimsiz öğrenme etiketsiz verileri kullanır.
Makine Öğrenimi, Bilgisayar Biliminde, bir bilgisayar sisteminin açık bir şekilde programlanmadan verilerden öğrenebilmesini sağlayan bir alandır. Verileri analiz etmeyi ve içindeki kalıpları tahmin etmeyi sağlar. Makine öğrenmesinin birçok uygulaması vardır. Bunlardan bazıları yüz tanıma, jest tanıma ve konuşma tanımadır. Makine öğrenimi ile ilgili çeşitli algoritmalar vardır. Bazıları regresyon, sınıflandırma ve kümelenmedir. Makine öğrenimi tabanlı uygulamalar geliştirmek için en yaygın programlama dilleri R ve Python'dur. Java, C ++ ve Matlab gibi diğer diller de kullanılabilir.
İÇİNDEKİLER
1. Genel Bakış ve Temel Fark
2. Denetimli Öğrenme Nedir
3. Gözetimsiz Öğrenme Nedir?
4. Denetimli ve Denetimsiz Makine Öğrenmesi Arasındaki Benzerlikler
5. Yan Yana Karşılaştırma - Denetimli ve Denetimsiz Makine Öğrenimi Tablo Şeklinde
6. Özet
Denetimli Öğrenme Nedir?
Makine öğrenimi tabanlı sistemlerde, model bir algoritmaya göre çalışır. Denetimli öğrenmede, model denetlenir. İlk olarak, modeli eğitmek gerekir. Edinilen bilgi ile gelecekteki örneklerin cevaplarını tahmin edebilir. Model, etiketli bir veri kümesi kullanılarak eğitilir. Sisteme örnek olmayan bir veri verildiğinde sonucu tahmin edebilir. Aşağıda popüler IRIS veri kümesinden küçük bir alıntı var.
Yukarıdaki tabloya göre, Sepal uzunluk, Sepal genişlik, Patel uzunluk, Patel genişlik ve Türler öznitelikler olarak adlandırılır. Sütunlar özellik olarak bilinir. Bir satırda tüm özellikler için veriler bulunur. Bu nedenle, bir satıra gözlem denir. Veriler sayısal veya kategorik olabilir. Model, girdi olarak karşılık gelen tür adıyla gözlemler verilir. Yeni bir gözlem verildiğinde, model ait olduğu türün türünü tahmin etmelidir.
Denetimli öğrenmede, sınıflandırma ve regresyon için algoritmalar vardır. Sınıflandırma, etiketli verilerin sınıflandırılması işlemidir. Model, veri kategorilerini ayıran sınırlar oluşturdu. Modele yeni veriler sağlandığında, noktanın bulunduğu yere göre kategorize edilebilir. K-En Yakın Komşular (KNN) bir sınıflandırma modelidir. K değerine bağlı olarak kategoriye karar verilir. Örneğin, k 5 olduğunda, belirli bir veri noktası A kategorisinde sekiz veri noktasına ve B kategorisinde altı veri noktasına yakınsa, veri noktası A olarak sınıflandırılır..
Regresyon, yeni verilerin sonucunu tahmin etmek için önceki verilerin eğilimini tahmin etme sürecidir. Regresyonda, çıktı bir veya daha fazla sürekli değişken içerebilir. Tahmin, çoğu veri noktasını kapsayan bir çizgi kullanılarak yapılır. En basit regresyon modeli doğrusal bir regresyondur. Hızlıdır ve KNN gibi ayar parametreleri gerektirmez. Veriler parabolik bir eğilim gösteriyorsa, doğrusal regresyon modeli uygun değildir.
Bunlar denetimli öğrenme algoritmalarının bazı örnekleridir. Genel olarak, denetimli öğrenme yöntemlerinden elde edilen sonuçlar daha doğru ve güvenilirdir çünkü girdi verileri iyi bilinir ve etiketlenir. Bu nedenle, makine sadece gizli kalıpları analiz etmek zorundadır.
Denetimsiz Öğrenme Nedir?
Denetimsiz öğrenmede, model denetlenmez. Model, sonuçları tahmin etmek için kendi başına çalışır. Etiketlenmemiş verilerle ilgili sonuçlara varmak için makine öğrenme algoritmaları kullanır. Genel olarak, denetimsiz öğrenme algoritmaları denetimli öğrenme algoritmalarından daha zordur çünkü az bilgi vardır. Kümeleme bir tür denetimsiz öğrenmedir. Bilinmeyen verileri algoritmalar kullanarak gruplandırmak için kullanılabilir. K-ortalaması ve yoğunluk tabanlı kümeleme iki kümeleme algoritmasıdır.
k-mean algoritması, her küme için rastgele k centroid yerleştirir. Daha sonra her veri noktası en yakın sentroide atanır. Öklid mesafesi, veri noktasından sentroide olan mesafeyi hesaplamak için kullanılır. Veri noktaları gruplara ayrılır. K centroidlerin pozisyonları tekrar hesaplanır. Yeni sentroid pozisyonu gruptaki tüm noktaların ortalaması ile belirlenir. Yine her veri noktası en yakın centroid'e atanır. Bu işlem, sentroidler artık değişmeyene kadar tekrarlanır. k-mean hızlı bir kümeleme algoritmasıdır, ancak kümeleme noktalarının belirlenmiş bir başlatılması yoktur. Ayrıca, küme noktalarının başlatılmasına dayalı olarak çok çeşitli kümeleme modelleri vardır.
Başka bir kümeleme algoritması Yoğunluk esaslı kümeleme. Gürültü ile Yoğunluk Bazlı Mekansal Kümeleme Uygulamaları olarak da bilinir. Bir kümeyi maksimum yoğunluk bağlı nokta kümesi olarak tanımlayarak çalışır. Yoğunluk temelli kümeleme için kullanılan iki parametredir. Bunlar Ɛ (epsilon) ve minimum puanlardır. Ɛ, mahallenin maksimum yarıçapıdır. Minimum noktalar, bir kümeyi tanımlamak için mahalledeki minimum nokta sayısıdır. Bunlar denetimsiz öğrenmeye giren bazı kümelenme örnekleridir..
Genellikle, denetimsiz öğrenme algoritmalarından üretilen sonuçlar çok doğru ve güvenilir değildir, çünkü makine gizli kalıpları ve işlevleri belirlemeden önce girdi verilerini tanımlamalı ve etiketlemelidir.
Denetimli ve Denetsiz Makine Öğrenimi Arasındaki Benzerlik Nedir??
- Hem Denetlenen hem de Denetlenmeyen Öğrenme Makine Öğrenmesi türleridir.
Denetimli ve Denetimsiz Makine Öğrenmesi Arasındaki Fark Nedir??
Denetimli ve Denetimsiz Makine Öğrenmesi | |
| Denetimli Öğrenme, bir girdiyi örnek girdi-çıktı çiftlerine dayalı olarak çıktıyla eşleyen bir işlevi öğrenmenin Makine Öğrenmesi görevidir. | Gözetimsiz Öğrenme, gizli yapıyı etiketlenmemiş verilerden tanımlamak için bir işlev çıkarmada Makine Öğrenimi görevidir. |
| Ana İşlevsellik | |
| Denetimli öğrenmede model, etiketlenmiş girdi verilerine dayalı olarak sonucu tahmin eder. | Denetimsiz öğrenmede, model, kalıpları kendi başına tanımlayarak etiketlenmiş veriler olmadan sonucu tahmin eder. |
| Sonuçların Doğruluğu | |
| Denetimli öğrenme yöntemlerinden elde edilen sonuçlar daha doğru ve güvenilirdir. | Gözetimsiz öğrenme yöntemlerinden elde edilen sonuçlar çok doğru ve güvenilir değildir. |
| Ana Algoritmalar | |
| Denetimli öğrenmede regresyon ve sınıflandırma için algoritmalar vardır. | Denetimsiz öğrenmede kümeleme için algoritmalar vardır. |
Özet - Denetimli vs Eğiticisiz Makine öğrenme
Denetimli Öğrenme ve Denetimsiz Öğrenme iki tür Makine Öğrenimidir. Denetimli Öğrenme, bir girdiyi örnek girdi-çıktı çiftlerine dayalı olarak çıktıyla eşleyen bir işlevi öğrenmenin Makine Öğrenmesi görevidir. Gözetimsiz Öğrenme, gizli yapıyı etiketlenmemiş verilerden tanımlamak için bir işlev çıkarmanın Makine Öğrenmesi görevidir. Denetimli ve denetimsiz makine öğrenimi arasındaki fark, denetimli öğrenmenin etiketli verileri kullanırken denetimsiz eğilmenin etiketlenmemiş verileri kullanmasıdır.
Referans:
1.TheBigDataUniversity. Makine Öğrenimi - Denetimli VS Denetimsiz Öğrenme, Bilişsel Sınıf, 13 Mart 2017. Buradan erişilebilir
2. “Denetimsiz Öğrenme.” Vikipedi, Wikimedia Vakfı, 20 Mart 2018. Buradan erişebilirsiniz
3. “Denetimli Öğrenme.” Vikipedi, Wikimedia Vakfı, 15 Mart 2018. Buradan erişebilirsiniz
Görünüm inceliği:
1.'2729781 'GDJ (Kamusal Alan) · Pixabay'de ücretsiz
