Học có giám sát so với thuật toán học không giám sát

Giới thiệu

Học máy (ML) là một lĩnh vực nghiên cứu tập trung vào việc phát triển các thuật toán để học tự động từ dữ liệu, đưa ra các dự đoán và suy luận các mẫu mà không được hướng dẫn rõ ràng cách thực hiện. Nó nhằm mục đích tạo ra các hệ thống tự động cải tiến với kinh nghiệm và dữ liệu.

Điều này có thể đạt được thông qua học có giám sát, trong đó mô hình được đào tạo bằng cách sử dụng dữ liệu được gắn nhãn để đưa ra dự đoán hoặc thông qua học không giám sát, trong đó mô hình tìm cách khám phá các mẫu hoặc mối tương quan trong dữ liệu mà không cần dự đoán đầu ra mục tiêu cụ thể.

ML đã nổi lên như một công cụ không thể thiếu và được sử dụng rộng rãi trong nhiều lĩnh vực khác nhau, bao gồm khoa học máy tính, sinh học, tài chính và tiếp thị. Nó đã chứng minh tiện ích của mình trong các ứng dụng đa dạng như phân loại hình ảnh, xử lý ngôn ngữ tự nhiên và phát hiện gian lận.

Nhiệm vụ học máy

Học máy có thể được phân loại thành ba nhiệm vụ chính:

• Học có giám sát
• Học tập không giám sát
• Học tăng cường

Ở đây, chúng tôi sẽ tập trung vào hai trường hợp đầu tiên.

Học tập có giám sát

Học có giám sát liên quan đến việc đào tạo một mô hình trên dữ liệu được gắn nhãn, trong đó dữ liệu đầu vào được ghép nối với biến đầu ra hoặc mục tiêu tương ứng. Mục tiêu là tìm hiểu một chức năng có thể ánh xạ dữ liệu đầu vào thành đầu ra chính xác. Các thuật toán học có giám sát phổ biến bao gồm hồi quy tuyến tính, hồi quy logistic, cây quyết định và máy vectơ hỗ trợ.

Ví dụ về code học có giám sát bằng Python:

from sklearn.linear_model import LinearRegression model = LinearRegression() model.fit(X_train, y_train) predictions = model.predict(X_test)

Trong ví dụ mã đơn giản này, chúng tôi huấn luyện LinearRegression thuật toán từ scikit-learning trên dữ liệu đào tạo của chúng tôi, sau đó áp dụng thuật toán đó để nhận dự đoán cho dữ liệu thử nghiệm của chúng tôi.

Một trường hợp sử dụng thực tế của học có giám sát là phân loại thư rác trong email. Với sự phát triển theo cấp số nhân của giao tiếp qua email, việc xác định và lọc email spam đã trở nên quan trọng. Bằng cách sử dụng các thuật toán học có giám sát, có thể đào tạo một mô hình để phân biệt giữa email hợp pháp và thư rác dựa trên dữ liệu được dán nhãn.

Mô hình học có giám sát có thể được đào tạo trên tập dữ liệu chứa các email được gắn nhãn là “thư rác” hoặc “không phải thư rác”. Mô hình tìm hiểu các mẫu và tính năng từ dữ liệu được gắn nhãn, chẳng hạn như sự hiện diện của các từ khóa nhất định, cấu trúc email hoặc thông tin người gửi email. Sau khi mô hình được đào tạo, nó có thể được sử dụng để tự động phân loại các email đến là thư rác hoặc không phải thư rác, lọc các thư không mong muốn một cách hiệu quả.

Học tập không giám sát

Trong học tập không giám sát, dữ liệu đầu vào không được gắn nhãn và mục tiêu là khám phá các mẫu hoặc cấu trúc trong dữ liệu. Các thuật toán học không giám sát nhằm mục đích tìm các biểu diễn hoặc cụm có ý nghĩa trong dữ liệu.

Ví dụ về các thuật toán học tập không giám sát bao gồm k-có nghĩa là phân cụm, phân cụm phân cấpvà phân tích thành phần chính (PCA).

Ví dụ về mã học tập không giám sát:

from sklearn.cluster import KMeans model = KMeans(n_clusters=3) model.fit(X) predictions = model.predict(X_new)

Trong ví dụ mã đơn giản này, chúng tôi huấn luyện KMeans thuật toán từ scikit-learning để xác định ba cụm trong dữ liệu của chúng tôi và sau đó khớp dữ liệu mới vào các cụm đó.

Một ví dụ về trường hợp sử dụng học tập không giám sát là phân khúc khách hàng. Trong các ngành khác nhau, các doanh nghiệp muốn hiểu rõ hơn về cơ sở khách hàng của mình để điều chỉnh chiến lược tiếp thị, cá nhân hóa dịch vụ và tối ưu hóa trải nghiệm của khách hàng. Các thuật toán học tập không giám sát có thể được sử dụng để phân khúc khách hàng thành các nhóm riêng biệt dựa trên các đặc điểm và hành vi chung của họ.

Bằng cách áp dụng các kỹ thuật học tập không giám sát, chẳng hạn như phân cụm, doanh nghiệp có thể khám phá các mẫu và nhóm có ý nghĩa trong dữ liệu khách hàng của họ. Chẳng hạn, thuật toán phân cụm có thể xác định các nhóm khách hàng có thói quen mua hàng, nhân khẩu học hoặc sở thích tương tự nhau. Thông tin này có thể được tận dụng để tạo các chiến dịch tiếp thị được nhắm mục tiêu, tối ưu hóa các đề xuất sản phẩm và cải thiện sự hài lòng của khách hàng.

Các lớp thuật toán chính

Thuật toán học có giám sát

1. Mô hình tuyến tính: Được sử dụng để dự đoán các biến liên tục dựa trên mối quan hệ tuyến tính giữa các tính năng và biến mục tiêu.

2. Mô hình dựa trên cây: Được xây dựng bằng cách sử dụng một loạt các quyết định nhị phân để đưa ra dự đoán hoặc phân loại.

3. Mô hình tập hợp: Phương pháp kết hợp nhiều mô hình (dựa trên cây hoặc tuyến tính) để đưa ra dự đoán chính xác hơn.

4. Mô hình mạng thần kinh: Các phương pháp dựa trên bộ não con người một cách lỏng lẻo, trong đó nhiều chức năng hoạt động như các nút của mạng.

Thuật toán học tập không giám sát

1. Phân cụm theo cấp bậc: Xây dựng hệ thống cấp bậc của các cụm bằng cách lặp lại việc hợp nhất hoặc chia tách chúng.

2. Phân cụm không phân cấp: Chia dữ liệu thành các cụm riêng biệt dựa trên sự tương đồng.

3. Giảm kích thước: Giảm kích thước của dữ liệu trong khi vẫn giữ được thông tin quan trọng nhất.

Đánh giá mô hình

Học tập có giám sát

Để đánh giá hiệu suất của các mô hình học tập có giám sát, nhiều số liệu khác nhau được sử dụng, bao gồm độ chính xác, độ chính xác, khả năng thu hồi, điểm F1 và ROC-AUC. Các kỹ thuật xác thực chéo, chẳng hạn như xác thực chéo k-fold, có thể giúp ước tính hiệu suất tổng quát hóa của mô hình.

Học tập không giám sát

Việc đánh giá các thuật toán học không giám sát thường khó khăn hơn vì không có sự thật cơ bản. Các số liệu như điểm bóng hoặc quán tính có thể được sử dụng để đánh giá chất lượng của kết quả phân cụm. Các kỹ thuật trực quan hóa cũng có thể cung cấp cái nhìn sâu sắc về cấu trúc của các cụm.

Mẹo và thủ thuật

Học tập có giám sát

• Tiền xử lý và chuẩn hóa dữ liệu đầu vào để cải thiện hiệu suất mô hình.
• Xử lý các giá trị bị thiếu một cách thích hợp, bằng cách quy nạp hoặc loại bỏ.
• Kỹ thuật tính năng có thể nâng cao khả năng nắm bắt các mẫu có liên quan của mô hình.

Học tập không giám sát

• Chọn số cụm thích hợp dựa trên kiến ​​thức miền hoặc sử dụng các kỹ thuật như phương pháp khuỷu tay.
• Xem xét các số liệu khoảng cách khác nhau để đo lường sự tương đồng giữa các điểm dữ liệu.
• Thường xuyên hóa quá trình phân cụm để tránh trang bị quá mức.

Tóm lại, học máy bao gồm nhiều nhiệm vụ, kỹ thuật, thuật toán, phương pháp đánh giá mô hình và các gợi ý hữu ích. Bằng cách hiểu những khía cạnh này, các học viên có thể áp dụng hiệu quả học máy vào các vấn đề trong thế giới thực và rút ra những hiểu biết quan trọng từ dữ liệu. Các ví dụ mã đã cho giới thiệu việc sử dụng các thuật toán học có giám sát và không giám sát, làm nổi bật việc triển khai thực tế của chúng.

• Phân phối nội dung và PR được hỗ trợ bởi SEO. Được khuếch đại ngay hôm nay.
• EVM tài chính. Giao diện hợp nhất cho tài chính phi tập trung. Truy cập Tại đây.
• Tập đoàn truyền thông lượng tử. Khuếch đại IR/PR. Truy cập Tại đây.
• PlatoAiStream. Thông minh dữ liệu Web3. Kiến thức khuếch đại. Truy cập Tại đây.
• nguồn: https://stackabuse.com/supervised-learning-vs-unsupervised-learning-algorithms/