Tabla de contenido
Aplicación 1: Ajuste de regresión de datos
La diferencia entre aprendizaje supervisado y aprendizaje no supervisado
Aprendizaje supervisado
Un modelo que aprende a través de entradas y salidas correctas. La entrada x y la salida correcta y se utilizan como etiqueta de entrenamiento.
Aplicación 1: Ajuste de regresión de datos
Una vez que el modelo complete el entrenamiento, realizará un ajuste de regresión de datos en las muestras de entrenamiento. Cuando se ingresa una x que nunca antes se había ingresado, el modelo actualizará la función de ajuste y generará el resultado.
Por ejemplo, para juzgar los precios de la vivienda, las muestras de capacitación son los precios de casas con diferentes áreas en los últimos dos años, la entrada x es el área y la salida y es el precio de la vivienda. Una vez finalizada la formación, se puede predecir el precio de casas de distintos tamaños. A continuación se muestran dos métodos de ajuste de datos: uno es una curva, que es más precisa; el otro es una línea recta.
Aplicación 2: Clasificación
A diferencia de la aplicación 1, donde la predicción de regresión de datos tiene muchos resultados diferentes, la clasificación solo tiene dos resultados: sí o no. Por ejemplo, para determinar si una imagen contiene gatitos, el resultado es: "Hay gatitos" y "No hay gatitos".
Aprendizaje sin supervisión
A diferencia del aprendizaje supervisado, el aprendizaje no supervisado no necesita especificar y como la etiqueta correcta para entrenar el modelo. El modelo puede dividir los datos del conjunto de muestras en diferentes grupos de acuerdo con las características del conjunto de muestras. Por lo tanto, en el aprendizaje no supervisado, solo la entrada x y ninguna salida y se etiquetan como el resultado correcto.
Las principales aplicaciones del aprendizaje no supervisado son: algoritmo de agrupamiento (Clustering), detección de anomalías (detección de anomalías) y reducción de dimensionalidad (Reducción de dimensionalidad).
La diferencia entre aprendizaje supervisado y aprendizaje no supervisado
Como se puede ver en la figura siguiente, el aprendizaje supervisado de la izquierda divide los datos en correctos e incorrectos, mientras que a la derecha simplemente junta datos similares para formar dos conjuntos de datos diferentes.
práctica:
Entre las siguientes cuatro opciones, cuáles son algoritmos de aprendizaje no supervisados (opciones múltiples):
Respuesta correcta: opciones 2,3.
Opción 1: para marcar correos electrónicos como spam, debe especificar qué correos electrónicos son spam en el conjunto de capacitación, por lo que es un aprendizaje supervisado.
Opción 2: Buscar noticias en Internet no especifica en qué categorías se deben agrupar las noticias, por lo que es un aprendizaje no supervisado.
Opción 3: No especifica en qué categorías específicas se dividirán los clientes, por lo que es aprendizaje no supervisado.
Opción 4: Dividir a los pacientes en dos categorías: aquellos con diabetes y aquellos sin diabetes, por lo que es aprendizaje supervisado y es una aplicación de clasificación en aprendizaje supervisado.