监督学习与无监督学习之间的区别
作者:
Laura McKinney
创建日期:
2 四月 2021
更新日期:
5 可能 2024
内容
监督学习和无监督学习是机器学习范式,用于通过从经验和性能度量中学习来解决任务类别。监督学习和非监督学习的主要区别在于监督学习涉及从输入到基本输出的映射。相反,无监督学习的目的不是在特定输入的响应中产生输出,而是发现数据中的模式。
这些有监督和无监督的学习技术在各种应用程序中实现,例如人工神经网络,这是一个包含大量相互连接的处理元素的数据处理系统。
-
- 比较表
- 定义
- 关键差异
- 结论
比较表
比较依据 | 监督学习 | 无监督学习 |
---|---|---|
基本的 | 处理带标签的数据。 | 处理未标记的数据。 |
计算复杂度 | 高 | 低 |
分析 | 离线 | 即时的 |
准确性 | 产生准确的结果 | 产生中等结果 |
子域 | 分类与回归 | 聚类和关联规则挖掘 |
监督学习的定义
监督学习 该方法涉及对系统或机器的训练,其中训练集与目标模式(输出模式)一起提供给系统以执行任务。通常,监督是指观察和指导任务,项目和活动的执行。但是,可以在哪里实施监督学习?首先,它是在机器学习回归以及集群和神经网络中实现的。
现在,我们如何训练模型?在向模型加载知识的帮助下对模型进行指导,以促进对未来实例的预测。它使用标记的数据集进行训练。人工神经网络的输入模式训练了也与输出模式相关联的网络。
无监督学习的定义
无监督学习 该模型不涉及目标输出,这意味着未向系统提供培训。系统必须根据输入模式中的结构特征来确定和调整,以自己学习。它使用机器学习算法对未标记的数据得出结论。
与无监督学习相比,无监督学习在更复杂的算法上工作,因为我们很少或没有关于数据的信息。由于机器或系统旨在为我们生成结果,因此它创建了一个不太易于管理的环境。无监督学习的主要目标是搜索实体,例如组,聚类,降维并执行密度估计。
- 监督学习技术处理标记的数据,其中输出数据模式是系统已知的。与之相反,无监督学习则与无标签数据一起使用,其中输出仅基于感知的集合。
- 当涉及到复杂性时,有监督学习方法不太复杂,而无监督学习方法则更复杂。
- 监督学习还可以进行离线分析,而无监督学习则采用实时分析。
- 监督学习技术的结果更加准确和可靠。相反,无监督学习会产生中等但可靠的结果。
- 分类和回归是在监督学习方法下解决的问题类型。相反,无监督学习包括聚类和关联规则挖掘问题。
结论
监督学习是通过向系统提供训练,输入和输出模式来完成任务的技术,而无监督学习是一种自学习技术,其中系统必须通过其自身而不是先前的类别集合来发现输入人口的特征被使用。