Diferencia clave: aprendizaje automático supervisado y no supervisado
El aprendizaje supervisado y el aprendizaje no supervisado son dos conceptos básicos del aprendizaje automático. El aprendizaje supervisado es una tarea de aprendizaje automático de aprender una función que asigna una entrada a una salida en función de los pares de entrada-salida de ejemplo. El aprendizaje no supervisado es la tarea de aprendizaje automático de inferir una función para describir una estructura oculta a partir de datos no etiquetados. La diferencia clave entre el aprendizaje automático supervisado y no supervisado es que el aprendizaje supervisado usa datos etiquetados, mientras que el aprendizaje no supervisado usa datos no etiquetados.
El aprendizaje automático es un campo de la informática que permite que un sistema informático aprenda de los datos sin ser programado explícitamente. Permite analizar los datos y predecir patrones en ellos. Hay muchas aplicaciones del aprendizaje automático. Algunos de ellos son reconocimiento facial, reconocimiento de gestos y reconocimiento de voz. Hay varios algoritmos relacionados con el aprendizaje automático. Algunos de ellos son la regresión, la clasificación y el agrupamiento. Los lenguajes de programación más comunes para desarrollar aplicaciones basadas en aprendizaje automático son R y Python. También se pueden utilizar otros lenguajes como Java, C++ y Matlab.
¿Qué es el aprendizaje supervisado?
En sistemas basados en aprendizaje automático, el modelo funciona según un algoritmo. En el aprendizaje supervisado, el modelo es supervisado. En primer lugar, se requiere entrenar el modelo. Con el conocimiento adquirido, puede predecir respuestas para instancias futuras. El modelo se entrena utilizando un conjunto de datos etiquetado. Cuando se le da al sistema un dato fuera de muestra, puede predecir el resultado. A continuación se incluye un pequeño extracto del popular conjunto de datos IRIS.
Según la tabla anterior, la longitud del sépalo, la anchura del sépalo, la longitud de la rótula, la anchura de la rótula y la especie se denominan atributos. Las columnas se conocen como características. Una fila tiene datos para todos los atributos. Por lo tanto, una fila se llama observación. Los datos pueden ser numéricos o categóricos. El modelo recibe las observaciones con el nombre de la especie correspondiente como entrada. Cuando se da una nueva observación, el modelo debe predecir el tipo de especie a la que pertenece.
En el aprendizaje supervisado, existen algoritmos de clasificación y regresión. La clasificación es el proceso de clasificar los datos etiquetados. El modelo creó límites que separaban las categorías de datos. Cuando se proporcionan nuevos datos al modelo, se pueden categorizar en función de dónde existe el punto. Los K-vecinos más cercanos (KNN) es un modelo de clasificación. Dependiendo del valor de k, se decide la categoría. Por ejemplo, cuando k es 5, si un punto de datos en particular está cerca de ocho puntos de datos en la categoría A y seis puntos de datos en la categoría B, entonces el punto de datos se clasificará como A.
La regresión es el proceso de predecir la tendencia de los datos anteriores para predecir el resultado de los nuevos datos. En la regresión, la salida puede consistir en una o más variables continuas. La predicción se realiza utilizando una línea que cubre la mayoría de los puntos de datos. El modelo de regresión más simple es una regresión lineal. Es rápido y no requiere ajustes de parámetros como en KNN. Si los datos muestran una tendencia parabólica, entonces el modelo de regresión lineal no es adecuado.
Estos son algunos ejemplos de algoritmos de aprendizaje supervisado. Generalmente, los resultados generados por los métodos de aprendizaje supervisado son más precisos y confiables porque los datos de entrada son bien conocidos y etiquetados. Por lo tanto, la máquina tiene que analizar solo los patrones ocultos.
¿Qué es el aprendizaje no supervisado?
En el aprendizaje no supervisado, el modelo no está supervisado. El modelo funciona por sí solo para predecir los resultados. Utiliza algoritmos de aprendizaje automático para llegar a conclusiones sobre datos no etiquetados. Generalmente, los algoritmos de aprendizaje no supervisado son más difíciles que los algoritmos de aprendizaje supervisado porque hay poca información. El agrupamiento es un tipo de aprendizaje no supervisado. Se puede utilizar para agrupar los datos desconocidos mediante algoritmos. El agrupamiento basado en densidad y k-media son dos algoritmos de agrupamiento.
Algoritmo k-mean, coloca el centroide k aleatoriamente para cada grupo. Luego, cada punto de datos se asigna al centroide más cercano. La distancia euclidiana se utiliza para calcular la distancia desde el punto de datos hasta el centroide. Los puntos de datos se clasifican en grupos. Las posiciones para k centroides se calculan nuevamente. La nueva posición del centroide está determinada por la media de todos los puntos del grupo. Nuevamente, cada punto de datos se asigna al centroide más cercano. Este proceso se repite hasta que los centroides ya no cambian. k-mean es un algoritmo de agrupamiento rápido, pero no hay una inicialización específica de los puntos de agrupamiento. Además, existe una gran variación de modelos de agrupamiento basados en la inicialización de puntos de agrupamiento.
Otro algoritmo de agrupamiento es el agrupamiento basado en la densidad. También se conoce como aplicaciones de agrupamiento espacial basado en la densidad con ruido. Funciona definiendo un clúster como el conjunto máximo de puntos conectados por densidad. Son dos parámetros utilizados para el agrupamiento basado en la densidad. Son Ɛ (épsilon) y puntos mínimos. El Ɛ es el radio máximo del vecindario. Los puntos mínimos son el número mínimo de puntos en la vecindad Ɛ para definir un clúster. Esos son algunos ejemplos de agrupamiento que cae en el aprendizaje no supervisado.
Por lo general, los resultados generados a partir de algoritmos de aprendizaje no supervisados no son muy precisos ni confiables porque la máquina tiene que definir y etiquetar los datos de entrada antes de determinar los patrones y funciones ocultos.
¿Cuál es la similitud entre el aprendizaje automático supervisado y no supervisado?
Tanto el aprendizaje supervisado como el no supervisado son tipos de aprendizaje automático
¿Cuál es la diferencia entre el aprendizaje automático supervisado y no supervisado?
Aprendizaje automático supervisado frente a no supervisado |
|
| El aprendizaje supervisado es la tarea de aprendizaje automático de aprender una función que asigna una entrada a una salida en función de pares de entrada-salida de ejemplo. | El aprendizaje no supervisado es la tarea de aprendizaje automático de inferir una función para describir una estructura oculta a partir de datos no etiquetados. |
| Funcionalidad principal | |
| En el aprendizaje supervisado, el modelo predice el resultado en función de los datos de entrada etiquetados. | En el aprendizaje no supervisado, el modelo predice el resultado sin datos etiquetados al identificar los patrones por sí solo. |
| Precisión de los resultados | |
| Los resultados generados por los métodos de aprendizaje supervisado son más precisos y fiables. | Los resultados generados a partir de métodos de aprendizaje no supervisados no son muy precisos ni fiables. |
| Algoritmos principales | |
| Existen algoritmos de regresión y clasificación en el aprendizaje supervisado. | Existen algoritmos para agrupar en aprendizaje no supervisado. |
Resumen: aprendizaje automático supervisado y no supervisado
El aprendizaje supervisado y el aprendizaje no supervisado son dos tipos de aprendizaje automático. El aprendizaje supervisado es la tarea de aprendizaje automático de aprender una función que asigna una entrada a una salida en función de pares de entrada-salida de ejemplo. El aprendizaje no supervisado es la tarea de aprendizaje automático de inferir una función para describir una estructura oculta a partir de datos no etiquetados. La diferencia entre el aprendizaje automático supervisado y no supervisado es que el aprendizaje supervisado usa datos etiquetados, mientras que el aprendizaje no supervisado usa datos no etiquetados.
