Область машинного обучения содержит огромный набор алгоритмов, которые можно использовать для понимания данных. Эти алгоритмы можно разделить на две категории:
1. Алгоритмы обучения с учителем. Включают построение модели для оценки или прогнозирования результата на основе одного или нескольких входных данных.
2. Алгоритмы обучения без присмотра: включает в себя поиск структуры и взаимосвязей на основе входных данных. Нет никакого «надзорного» выхода.
В этом руководстве объясняется разница между этими двумя типами алгоритмов, а также приводится несколько примеров каждого из них.
Алгоритмы контролируемого обучения
Алгоритм обучения с учителем можно использовать, когда у нас есть одна или несколько объясняющих переменных (X 1 , X 2 , X 3 , …, X p ) и переменная отклика (Y), и мы хотели бы найти некоторую функцию, которая описывает взаимосвязь между объясняющие переменные и переменная отклика:
Y = f (X) + ε
где f представляет собой систематическую информацию, которую X предоставляет об Y, и где ε — случайный член ошибки, не зависящий от X, со средним значением, равным нулю.
Существует два основных типа алгоритмов обучения с учителем:
1. Регрессия: выходная переменная является непрерывной (например, вес, рост, время и т. д.).
2. Классификация: выходная переменная является категориальной (например, мужчина или женщина, пройден или не пройден, доброкачественный или злокачественный и т. д.).
Есть две основные причины, по которым мы используем алгоритмы обучения с учителем:
1. Прогноз: мы часто используем набор независимых переменных, чтобы предсказать значение некоторой переменной ответа (например, используя площадь в квадратных футах и количество спален для прогнозирования цены дома ).
2. Вывод: нам может быть интересно понять, как влияет на переменную отклика изменение значения объясняющих переменных (например, насколько в среднем увеличивается цена дома, когда количество спален увеличивается на одну?)
В зависимости от того, является ли наша цель выводом или предсказанием (или сочетанием того и другого), мы можем использовать разные методы для оценки функции f.Например, линейные модели предлагают более простую интерпретацию, но нелинейные модели, которые трудно интерпретировать, могут предложить более точные прогнозы.
Вот список наиболее часто используемых алгоритмов обучения с учителем:
- Линейная регрессия
- Логистическая регрессия
- Линейный дискриминантный анализ
- Квадратичный дискриминантный анализ
- Деревья решений
- Наивный байес
- Машины опорных векторов
- Нейронные сети
Алгоритмы обучения без учителя
Алгоритм обучения без учителя можно использовать, когда у нас есть список переменных (X 1 , X 2 , X 3 , …, X p ), и мы просто хотим найти основную структуру или закономерности в данных.
Существует два основных типа алгоритмов обучения без учителя:
1. Кластеризация. Используя эти типы алгоритмов, мы пытаемся найти «кластеры» наблюдений в наборе данных, которые похожи друг на друга. Это часто используется в розничной торговле, когда компания хочет определить группы клиентов со схожими покупательскими привычками, чтобы они могли разработать конкретные маркетинговые стратегии, ориентированные на определенные группы клиентов.
2. Ассоциация. Используя эти типы алгоритмов, мы пытаемся найти «правила», которые можно использовать для построения ассоциаций. Например, розничные торговцы могут разработать алгоритм ассоциации, который гласит: «Если покупатель покупает товар X, он, скорее всего, также купит товар Y».
Вот список наиболее часто используемых алгоритмов обучения без учителя:
- Анализ главных компонентов
- Кластеризация K-средних
- Кластеризация K-медоидов
- Иерархическая кластеризация
- Априорный алгоритм
Резюме: Контролируемое и неконтролируемое обучение
В следующей таблице приведены различия между алгоритмами обучения с учителем и без учителя:
На следующей диаграмме представлены типы алгоритмов машинного обучения:
