TechCodeview

Ankstesnėje temoje sužinojome apie prižiūrimą mašininį mokymąsi, kai modeliai mokomi naudojant pažymėtus duomenis, prižiūrint mokymo duomenis. Tačiau gali būti daug atvejų, kai neturime pažymėtų duomenų ir turime rasti paslėptus šablonus iš pateikto duomenų rinkinio. Taigi, norint išspręsti tokio tipo mašininio mokymosi atvejus, mums reikia neprižiūrimų mokymosi metodų.

Kas yra mokymasis be priežiūros?

Kaip rodo pavadinimas, neprižiūrimas mokymasis yra mašininio mokymosi metodas, kai modeliai nėra prižiūrimi naudojant mokymo duomenų rinkinį. Vietoj to, patys modeliai randa paslėptus modelius ir įžvalgas iš pateiktų duomenų. Tai galima palyginti su mokymusi, kuris vyksta žmogaus smegenyse mokantis naujų dalykų. Jį galima apibrėžti taip:

kajal aggarwal

Neprižiūrimas mokymasis yra mašininio mokymosi tipas, kai modeliai mokomi naudojant nepaženklintą duomenų rinkinį ir jiems leidžiama naudoti tuos duomenis be jokios priežiūros.

Neprižiūrimas mokymasis negali būti tiesiogiai taikomas regresijos ar klasifikavimo problemai, nes skirtingai nei prižiūrimas mokymasis, mes turime įvesties duomenis, bet neturime atitinkamų išvesties duomenų. Mokymosi be priežiūros tikslas yra rasti pagrindinę duomenų rinkinio struktūrą, sugrupuoti tuos duomenis pagal panašumus ir pateikti tą duomenų rinkinį suglaudintu formatu .

Pavyzdys: Tarkime, kad neprižiūrimo mokymosi algoritmui suteikiamas įvesties duomenų rinkinys, kuriame yra skirtingų tipų kačių ir šunų vaizdai. Algoritmas niekada nėra mokomas pagal pateiktą duomenų rinkinį, o tai reiškia, kad jis neturi jokio supratimo apie duomenų rinkinio ypatybes. Neprižiūrimo mokymosi algoritmo užduotis yra savarankiškai nustatyti vaizdo ypatybes. Neprižiūrimas mokymosi algoritmas atliks šią užduotį sugrupuodamas vaizdų duomenų rinkinį į grupes pagal vaizdų panašumus.

Kodėl verta naudoti neprižiūrimą mokymąsi?

Toliau pateikiamos kelios pagrindinės priežastys, apibūdinančios mokymosi be priežiūros svarbą:

• Neprižiūrimas mokymasis yra naudingas ieškant naudingų įžvalgų iš duomenų.
• Neprižiūrimas mokymasis yra daug panašus į tai, kaip žmogus mokosi mąstyti remdamasis savo patirtimi, todėl jis yra arčiau tikrojo AI.
• Neprižiūrimas mokymasis veikia su nepažymėtais ir nekategorizuotais duomenimis, todėl mokymasis neprižiūrimas tampa svarbesnis.
• Realiame pasaulyje ne visada turime įvesties duomenis su atitinkama išvestimi, todėl norint išspręsti tokius atvejus, mums reikia neprižiūrimo mokymosi.

Neprižiūrimo mokymosi darbas

Neprižiūrimo mokymosi veikimą galima suprasti pagal toliau pateiktą diagramą:

Čia mes paėmėme nepažymėtus įvesties duomenis, o tai reiškia, kad jie nėra suskirstyti į kategorijas ir atitinkami išėjimai taip pat nepateikti. Dabar šie nepažymėti įvesties duomenys pateikiami mašininio mokymosi modeliui, kad jį būtų galima išmokyti. Pirma, jis interpretuos neapdorotus duomenis, kad surastų paslėptus duomenų šablonus, o tada pritaikys tinkamus algoritmus, tokius kaip k-means klasterizavimas, sprendimų medis ir kt.

shweta tiwari aktorius

Pritaikius tinkamą algoritmą, algoritmas suskirsto duomenų objektus į grupes pagal objektų panašumus ir skirtumus.

Neprižiūrimų mokymosi algoritmų tipai:

Neprižiūrimas mokymosi algoritmas gali būti toliau skirstomas į dviejų tipų problemas:

Klasterizavimas: Klasterizavimas yra objektų grupavimo į grupes metodas taip, kad objektai, turintys daugumą panašumų, liktų grupėje ir turi mažiau panašumų arba visai neturi panašumų su kitos grupės objektais. Klasterinė analizė nustato duomenų objektų bendrumus ir suskirsto juos į kategorijas pagal tų bendrumų buvimą ir nebuvimą.asociacija: Asociacijos taisyklė yra neprižiūrimas mokymosi metodas, naudojamas didelės duomenų bazės kintamųjų ryšiams rasti. Jis nustato elementų rinkinį, kuris atsiranda kartu duomenų rinkinyje. Asociacijos taisyklė daro rinkodaros strategiją veiksmingesnę. Pavyzdžiui, žmonės, kurie perka X prekę (tarkime, duoną), taip pat yra linkę pirkti Y (sviesto / uogienės) prekę. Tipiškas asociacijos taisyklės pavyzdys yra rinkos krepšelio analizė.

Pastaba: apie šiuos algoritmus sužinosime vėlesniuose skyriuose.

Neprižiūrimi mokymosi algoritmai:

Žemiau pateikiamas kai kurių populiarių neprižiūrimų mokymosi algoritmų sąrašas:

K reiškia klasterizavimą KNN (k-artimiausi kaimynai) Hierarchinis klasterizavimas Anomalijų aptikimas Neuroniniai tinklai Principinė komponentų analizė Nepriklausomų komponentų analizė Apriori algoritmas Vienaskaitos reikšmės skaidymas

Mokymosi be priežiūros privalumai

• Neprižiūrimas mokymasis naudojamas sudėtingesnėms užduotims, palyginti su prižiūrimu mokymusi, nes neprižiūrimo mokymosi metu neturime pažymėtų įvesties duomenų.
• Pageidautina, kad mokymasis būtų neprižiūrimas, nes nesunku gauti nepažymėtus duomenis, palyginti su pažymėtais duomenimis.

Neprižiūrimo mokymosi trūkumai

• Neprižiūrimas mokymasis iš esmės yra sunkesnis nei prižiūrimas mokymasis, nes jis neturi atitinkamo rezultato.
• Neprižiūrimo mokymosi algoritmo rezultatas gali būti ne toks tikslus, nes įvesties duomenys nėra pažymėti, o algoritmai iš anksto nežino tikslios išvesties.