Temel Fark – Denetimli ve Denetimsiz Makine Öğrenimi
Denetimli öğrenme ve denetimsiz öğrenme, makine öğreniminin iki temel kavramıdır. Denetimli Öğrenme, örnek girdi-çıktı çiftlerine dayalı olarak bir girdiyi bir çıktıya eşleyen bir işlevi öğrenmenin bir Makine Öğrenimi görevidir. Denetimsiz Öğrenme, etiketlenmemiş verilerden gizli yapıyı tanımlamak için bir işlev çıkarmaya yönelik Makine Öğrenimi görevidir. Denetimli ve denetimsiz makine öğrenimi arasındaki temel fark, denetimli öğrenmenin etiketli verileri kullanması ve denetimsiz öğrenmenin etiketlenmemiş verileri kullanmasıdır.
Makine Öğrenimi, bir bilgisayar sistemine açıkça programlanmadan verilerden öğrenme yeteneği veren Bilgisayar Bilimi alanında bir alandır. Verileri analiz etmeyi ve içindeki kalıpları tahmin etmeyi sağlar. Makine öğreniminin birçok uygulaması vardır. Bunlardan bazıları yüz tanıma, jest tanıma ve konuşma tanımadır. Makine öğrenmesi ile ilgili çeşitli algoritmalar vardır. Bunlardan bazıları regresyon, sınıflandırma ve kümelemedir. Makine öğrenimi tabanlı uygulamalar geliştirmek için en yaygın programlama dilleri R ve Python'dur. Java, C++ ve Matlab gibi diğer diller de kullanılabilir.
Denetimli Öğrenme Nedir?
Makine öğrenimi tabanlı sistemlerde model bir algoritmaya göre çalışır. Denetimli öğrenmede model denetimlidir. İlk olarak, modelin eğitilmesi gerekir. Edindiği bilgilerle, gelecekteki durumlar için cevapları tahmin edebilir. Model, etiketli bir veri kümesi kullanılarak eğitilir. Sisteme örnek dışı bir veri verildiğinde sonucu tahmin edebilir. Aşağıda popüler IRIS veri setinden küçük bir alıntı verilmiştir.
Yukarıdaki tabloya göre, Sepal uzunluğu, Sepal genişliği, Patel uzunluğu, Patel genişliği ve Türler nitelikler olarak adlandırılır. Sütunlar özellik olarak bilinir. Bir satırda tüm öznitelikler için veriler bulunur. Bu nedenle, bir satıra gözlem denir. Veriler sayısal veya kategorik olabilir. Modele, girdi olarak karşılık gelen tür adıyla gözlemler verilir. Yeni bir gözlem verildiğinde, model ait olduğu türün türünü tahmin etmelidir.
Denetimli öğrenmede, sınıflandırma ve regresyon için algoritmalar vardır. Sınıflandırma, etiketlenmiş verileri sınıflandırma işlemidir. Model, veri kategorilerini ayıran sınırlar yarattı. Modele yeni veriler sağlandığında, noktanın bulunduğu yere göre kategorilere ayrılabilir. K-En Yakın Komşular (KNN) bir sınıflandırma modelidir. K değerine bağlı olarak kategoriye karar verilir. Örneğin, k 5 olduğunda, belirli bir veri noktası kategori A'daki sekiz veri noktasına ve kategori B'deki altı veri noktasına yakınsa, veri noktası A olarak sınıflandırılacaktır.
Regresyon, yeni verilerin sonucunu tahmin etmek için önceki verilerin eğilimini tahmin etme sürecidir. Regresyonda çıktı, bir veya daha fazla sürekli değişkenden oluşabilir. Tahmin, çoğu veri noktasını kapsayan bir çizgi kullanılarak yapılır. En basit regresyon modeli doğrusal bir regresyondur. Hızlıdır ve KNN'deki gibi ayar parametreleri gerektirmez. Veriler parabolik bir eğilim gösteriyorsa, doğrusal regresyon modeli uygun değildir.
Bunlar, denetimli öğrenme algoritmalarının bazı örnekleridir. Genel olarak, girdi verileri iyi bilindiği ve etiketlendiği için denetimli öğrenme yöntemlerinden elde edilen sonuçlar daha doğru ve güvenilirdir. Bu nedenle, makinenin yalnızca gizli kalıpları analiz etmesi gerekir.
Denetimsiz Öğrenme Nedir?
Denetimsiz öğrenmede model denetimli değildir. Model, sonuçları tahmin etmek için kendi başına çalışır. Etiketlenmemiş veriler üzerinde sonuçlara varmak için makine öğrenimi algoritmalarını kullanır. Genel olarak, denetimsiz öğrenme algoritmaları, çok az bilgi olduğundan denetimli öğrenme algoritmalarından daha zordur. Kümeleme, bir tür denetimsiz öğrenmedir. Bilinmeyen verileri algoritmalar kullanarak gruplamak için kullanılabilir. k-ortalama ve yoğunluğa dayalı kümeleme, iki kümeleme algoritmasıdır.
k-ortalama algoritması, her küme için k ağırlık merkezini rastgele yerleştirir. Daha sonra her veri noktası en yakın merkeze atanır. Öklid mesafesi, veri noktasından merkeze olan mesafeyi hesaplamak için kullanılır. Veri noktaları gruplara ayrılır. k ağırlık merkezinin konumları yeniden hesaplanır. Yeni ağırlık merkezi konumu, gruptaki tüm noktaların ortalaması ile belirlenir. Yine her veri noktası en yakın merkeze atanır. Bu işlem, merkezler artık değişmeyene kadar tekrarlanır. k-mean, hızlı bir kümeleme algoritmasıdır, ancak kümeleme noktalarının belirlenmiş bir başlatması yoktur. Ayrıca, küme noktalarının başlatılmasına dayalı kümeleme modellerinde yüksek çeşitlilik vardır.
Diğer bir kümeleme algoritması Yoğunluk tabanlı kümelemedir. Gürültülü Yoğunluk Tabanlı Mekansal Kümeleme Uygulamaları olarak da bilinir. Yoğunluk bağlantılı noktaların maksimum kümesi olarak bir küme tanımlayarak çalışır. Yoğunluğa dayalı kümeleme için kullanılan iki parametredir. Bunlar Ɛ (epsilon) ve minimum puanlardır. Ɛ komşuluğun maksimum yarıçapıdır. Minimum noktalar, bir kümeyi tanımlamak için Ɛ komşuluğundaki minimum nokta sayısıdır. Bunlar, denetimsiz öğrenmeye dahil olan bazı kümeleme örnekleridir.
Genel olarak, denetimsiz öğrenme algoritmalarından üretilen sonuçlar çok doğru ve güvenilir değildir çünkü makinenin gizli kalıpları ve işlevleri belirlemeden önce giriş verilerini tanımlaması ve etiketlemesi gerekir.
Denetimli ve Denetimsiz Makine Öğrenimi Arasındaki Benzerlik Nedir?
Denetimli ve Denetimsiz Öğrenme, Makine Öğrenimi türleridir
Denetimli ve Denetimsiz Makine Öğrenimi Arasındaki Fark Nedir?
Denetimli ve Denetimsiz Makine Öğrenimi |
|
| Denetimli Öğrenme, örnek girdi-çıktı çiftlerine dayalı olarak bir girdiyi bir çıktıya eşleyen bir işlevi öğrenmenin Makine Öğrenimi görevidir. | Denetimsiz Öğrenme, etiketlenmemiş verilerden gizli yapıyı tanımlamak için bir işlev çıkarmaya yönelik Makine Öğrenimi görevidir. |
| Ana İşlevsellik | |
| Denetimli öğrenmede, model, etiketlenmiş girdi verilerine dayalı olarak sonucu tahmin eder. | Denetimsiz öğrenmede, model, kalıpları kendi başına tanımlayarak, etiketli veriler olmadan sonucu tahmin eder. |
| Sonuçların Doğruluğu | |
| Denetimli öğrenme yöntemlerinden elde edilen sonuçlar daha doğru ve güvenilirdir. | Denetimsiz öğrenme yöntemlerinden elde edilen sonuçlar pek doğru ve güvenilir değildir. |
| Ana Algoritmalar | |
| Denetimli öğrenmede regresyon ve sınıflandırma için algoritmalar vardır. | Denetimsiz öğrenmede kümeleme için algoritmalar vardır. |
Özet – Denetimli ve Denetimsiz Makine Öğrenimi
Denetimli Öğrenme ve Denetimsiz Öğrenme, iki tür Makine Öğrenimidir. Denetimli Öğrenme, örnek girdi-çıktı çiftlerine dayalı olarak bir girdiyi bir çıktıya eşleyen bir işlevi öğrenmenin Makine Öğrenimi görevidir. Denetimsiz Öğrenme, etiketlenmemiş verilerden gizli yapıyı tanımlamak için bir işlev çıkarmaya yönelik Makine Öğrenimi görevidir. Denetimli ve denetimsiz makine öğrenimi arasındaki fark, denetimli öğrenmenin etiketli verileri kullanması ve denetimsiz öğrenmenin etiketlenmemiş verileri kullanmasıdır.
